簡(jiǎn)述機(jī)器學(xué)習(xí)有無(wú)監(jiān)督的區(qū)別

機(jī)器學(xué)習(xí)是人工智能的一個(gè)子集，它通過(guò)示例和經(jīng)驗(yàn)教會(huì)計(jì)算機(jī)執(zhí)行任務(wù)，是研究和開(kāi)發(fā)的熱門(mén)領(lǐng)域。我們每天使用的許多應(yīng)用程序都使用機(jī)器學(xué)習(xí)算法，包括AI助手，Web搜索和機(jī)器翻譯。

您的社交媒體新聞提要由機(jī)器學(xué)習(xí)算法提供支持。您、看到的推薦視頻是機(jī)器學(xué)習(xí)模型的結(jié)果。Spotify的“發(fā)現(xiàn)周刊”利用機(jī)器學(xué)習(xí)算法的強(qiáng)大功能來(lái)創(chuàng)建符合您喜好的歌曲列表。

但是機(jī)器學(xué)習(xí)有許多不同的風(fēng)格。在這篇文章中，我們將探討有監(jiān)督和無(wú)監(jiān)督學(xué)習(xí)，這是機(jī)器學(xué)習(xí)算法的兩個(gè)主要類(lèi)別。每個(gè)子集由許多適合各種任務(wù)的不同算法組成。

關(guān)于機(jī)器學(xué)習(xí)的快速筆記

在深入研究有監(jiān)督和無(wú)監(jiān)督學(xué)習(xí)之前，我們先來(lái)了解一下什么是機(jī)器學(xué)習(xí)。當(dāng)今的AI系統(tǒng)以最簡(jiǎn)單的形式將輸入轉(zhuǎn)換為輸出。例如，圖像分類(lèi)器將圖像或視頻幀作為輸入，并輸出圖像中包含的對(duì)象的種類(lèi)。欺詐檢測(cè)算法將支付數(shù)據(jù)作為輸入，并輸出交易欺詐的可能性。下棋的AI將棋盤(pán)的當(dāng)前狀態(tài)作為輸入并輸出下一個(gè)動(dòng)作。

開(kāi)發(fā)智能系統(tǒng)的經(jīng)典方法稱為符號(hào)人工智能，要求程序員明確指定將輸入映射到輸出的規(guī)則。盡管符號(hào)AI有很多好處，但在輸入可以以多種形式出現(xiàn)的領(lǐng)域中使用有限，例如計(jì)算機(jī)視覺(jué)，語(yǔ)音識(shí)別和自然語(yǔ)言處理。

相反，機(jī)器學(xué)習(xí)使用不同的方法來(lái)發(fā)展行為。在創(chuàng)建ML系統(tǒng)時(shí)，開(kāi)發(fā)人員會(huì)創(chuàng)建一個(gè)通用結(jié)構(gòu)，并在許多示例中進(jìn)行培訓(xùn)。這些示例可以是帶有相應(yīng)圖像的圖片，國(guó)際象棋游戲數(shù)據(jù)，客戶購(gòu)買(mǎi)的物品，用戶聽(tīng)過(guò)的歌曲或與AI模型要解決的問(wèn)題有關(guān)的任何其他數(shù)據(jù)。在分析了訓(xùn)練數(shù)據(jù)之后，機(jī)器學(xué)習(xí)算法對(duì)其內(nèi)部參數(shù)進(jìn)行了調(diào)整，以能夠處理新的輸入數(shù)據(jù)。

監(jiān)督學(xué)習(xí)

Logistic回歸是一種有監(jiān)督的機(jī)器學(xué)習(xí)算法，可以將輸入分類(lèi)為不同的類(lèi)

如果您關(guān)注人工智能新聞，您可能已經(jīng)聽(tīng)說(shuō)過(guò)AI算法需要很多人工標(biāo)記的示例。這些故事指的是監(jiān)督學(xué)習(xí)，這是機(jī)器學(xué)習(xí)算法中比較流行的類(lèi)別。監(jiān)督式機(jī)器學(xué)習(xí)適用于您知道輸入數(shù)據(jù)結(jié)果的情況。假設(shè)您要?jiǎng)?chuàng)建一個(gè)圖像分類(lèi)機(jī)器學(xué)習(xí)算法，該算法可以檢測(cè)貓，狗和馬的圖像。

要訓(xùn)練AI模型，您必須收集貓，狗和馬照片的大型數(shù)據(jù)集。但是在將它們輸入機(jī)器學(xué)習(xí)算法之前，您必須使用它們各自類(lèi)的名稱對(duì)其進(jìn)行注釋。批注可能包括使用文件命名約定將每個(gè)類(lèi)的圖像放在單獨(dú)的文件夾中，或?qū)⒃獢?shù)據(jù)附加到圖像文件中。這是費(fèi)力的手動(dòng)任務(wù)，在提到AI血汗工廠的故事中經(jīng)常提到。

標(biāo)記數(shù)據(jù)后，機(jī)器學(xué)習(xí)算法（例如卷積神經(jīng)網(wǎng)絡(luò)或支持向量機(jī)）將處理這些示例并開(kāi)發(fā)可將每個(gè)圖像映射到其正確類(lèi)別的數(shù)學(xué)模型。如果對(duì)AI模型進(jìn)行足夠的帶標(biāo)簽的示例訓(xùn)練，它將能夠準(zhǔn)確地檢測(cè)出包含貓，狗，馬的新圖像類(lèi)別。

監(jiān)督機(jī)器學(xué)習(xí)解決了兩種類(lèi)型的問(wèn)題：分類(lèi)和回歸。上面說(shuō)明的示例是一個(gè)分類(lèi)問(wèn)題，其中機(jī)器學(xué)習(xí)模型必須將輸入放入特定的存儲(chǔ)桶或類(lèi)別中。分類(lèi)問(wèn)題的另一個(gè)示例是語(yǔ)音識(shí)別。

回歸機(jī)器學(xué)習(xí)模型不限于特定類(lèi)別。它們可以具有連續(xù)的無(wú)限值，例如客戶將為產(chǎn)品支付多少費(fèi)用或明天下雨的可能性。

一些常見(jiàn)的監(jiān)督學(xué)習(xí)算法包括：

線性和邏輯回歸

樸素貝葉斯

支持向量機(jī)

決策樹(shù)和隨機(jī)森林

人工神經(jīng)網(wǎng)絡(luò)

無(wú)監(jiān)督學(xué)習(xí)

無(wú)監(jiān)督機(jī)器學(xué)習(xí)算法可以基于共享特征將數(shù)據(jù)劃分為集群假設(shè)您是一個(gè)電子商務(wù)零售企業(yè)所有者，他擁有成千上萬(wàn)的客戶銷(xiāo)售記錄。您想找出哪些客戶有共同的購(gòu)買(mǎi)習(xí)慣，以便您可以使用該信息向他們提出相關(guān)建議并改善您的追加銷(xiāo)售政策。問(wèn)題是您沒(méi)有預(yù)定義的類(lèi)別將客戶劃分為多個(gè)類(lèi)別。因此，您不能訓(xùn)練監(jiān)督式機(jī)器學(xué)習(xí)模型來(lái)對(duì)客戶進(jìn)行分類(lèi)。

這是一個(gè)聚類(lèi)問(wèn)題，主要用于無(wú)監(jiān)督機(jī)器學(xué)習(xí)。與監(jiān)督學(xué)習(xí)不同，無(wú)監(jiān)督機(jī)器學(xué)習(xí)不需要標(biāo)記數(shù)據(jù)。它仔細(xì)研究了訓(xùn)練示例，并根據(jù)它們的共同特征將它們分為幾類(lèi)。訓(xùn)練有素的無(wú)監(jiān)督機(jī)器學(xué)習(xí)算法會(huì)將您的客戶劃分為相關(guān)的集群。這將幫助您根據(jù)客戶與集群中其他人的共同偏好來(lái)預(yù)測(cè)客戶將購(gòu)買(mǎi)的產(chǎn)品。

K-means是眾所周知的無(wú)監(jiān)督聚類(lèi)機(jī)器學(xué)習(xí)算法。使用k均值的挑戰(zhàn)之一是知道將數(shù)據(jù)劃分為多少個(gè)群集。太少的包會(huì)打包不太相似的數(shù)據(jù)，而太多的簇只會(huì)使您的模型復(fù)雜且不準(zhǔn)確。除了聚類(lèi)之外，無(wú)監(jiān)督學(xué)習(xí)還可以執(zhí)行降維。當(dāng)數(shù)據(jù)集具有太多特征時(shí)，可以使用降維。假設(shè)您有一個(gè)有關(guān)客戶的信息表，該表有100列。擁有有關(guān)您的客戶的大量數(shù)據(jù)可能聽(tīng)起來(lái)很有趣。但實(shí)際上并非如此。

隨著數(shù)據(jù)中功能數(shù)量的增加，您還將需要更大的樣本集來(lái)訓(xùn)練準(zhǔn)確的機(jī)器學(xué)習(xí)模型。您可能沒(méi)有足夠的樣本來(lái)訓(xùn)練100列模型。太多的功能也增加了過(guò)度擬合的機(jī)會(huì)，這實(shí)際上意味著您的AI模型在訓(xùn)練數(shù)據(jù)上表現(xiàn)良好，而在其他數(shù)據(jù)上表現(xiàn)不佳。

無(wú)監(jiān)督的機(jī)器學(xué)習(xí)算法可以分析數(shù)據(jù)并找到不相關(guān)的特征，可以將其刪除以簡(jiǎn)化模型而不會(huì)失去寶貴的見(jiàn)解。例如，對(duì)于我們的客戶表，通過(guò)降維算法運(yùn)行它之后，我們可能會(huì)發(fā)現(xiàn)與客戶的年齡和家庭住址相關(guān)的功能幾乎沒(méi)有關(guān)聯(lián)，因此可以將其刪除。

主成分分析（PCA）是一種流行的降維機(jī)器學(xué)習(xí)算法。一些安全分析師還使用無(wú)監(jiān)督的機(jī)器學(xué)習(xí)進(jìn)行異常檢測(cè)，以識(shí)別組織網(wǎng)絡(luò)中的惡意活動(dòng)。

無(wú)監(jiān)督學(xué)習(xí)的好處之一是，它不需要監(jiān)督學(xué)習(xí)必須經(jīng)歷的費(fèi)力的數(shù)據(jù)標(biāo)記過(guò)程。但是，要權(quán)衡的是，評(píng)估其性能的有效性也非常困難。相反，通過(guò)將監(jiān)督學(xué)習(xí)算法的輸出與測(cè)試數(shù)據(jù)的實(shí)際標(biāo)簽進(jìn)行比較，可以很容易地衡量監(jiān)督學(xué)習(xí)算法的準(zhǔn)確性。