Maschinelles Lernen (ML) ist ein leistungsstarkes Werkzeug, das es Computern erm?glicht, aus Daten zu lernen und Vorhersagen oder Entscheidungen zu treffen. Aber maschinelles Lernen ist nicht gleich maschinelles Lernen – es gibt verschiedene Arten des Lernens, die jeweils für bestimmte Aufgaben geeignet sind. Die beiden h?ufigsten Arten sind überwachtes Lernen und unüberwachtes Lernen. In diesem Artikel werden wir die Unterschiede zwischen ihnen untersuchen, Beispiele aus der Praxis bereitstellen und Codeausschnitte durchgehen, um Ihnen zu helfen, ihre Funktionsweise zu verstehen.

---

Was ist überwachtes Lernen?

überwachtes Lernen ist eine Art maschinelles Lernen, bei dem ein Algorithmus aus gekennzeichneten Daten lernt. Mit anderen Worten: Die Daten, die Sie dem Modell bereitstellen, umfassen Eingabemerkmale und die richtigen Ausgaben (Beschriftungen). Das Ziel besteht darin, dass das Modell die Beziehung zwischen Eingaben und Ausgaben lernt, damit es genaue Vorhersagen zu neuen, unsichtbaren Daten treffen kann.

Beispiele aus der Praxis für überwachtes Lernen

E-Mail-Spam-Erkennung:

• Eingabe: Der Text der E-Mail.
• Ausgabe: Label, das angibt, ob die E-Mail ?Spam“ oder ?Kein Spam“ ist.
• Das Modell lernt, E-Mails anhand beschrifteter Beispiele zu klassifizieren.

Hauspreisprognose:

• Eingabe: Merkmale des Hauses (z. B. Quadratmeterzahl, Anzahl der Schlafzimmer, Lage).
• Ausgabe: Preis des Hauses.
• Das Modell lernt, Preise anhand historischer Daten vorherzusagen.

Medizinische Diagnose:

• Eingabe: Patientendaten (z. B. Symptome, Laborergebnisse).
• Ausgabe: Diagnose (z. B. ?Gesundheit“ oder ?Diabetes“).
• Das Modell lernt, anhand gekennzeichneter Krankenakten eine Diagnose zu stellen.

---

Was ist unüberwachtes Lernen?

Unüberwachtes Lernen ist eine Art maschinelles Lernen, bei dem Algorithmen aus unbeschrifteten Daten lernen. Im Gegensatz zum überwachten Lernen wird keine korrekte Ausgabe bereitgestellt. Stattdessen versuchen Modelle selbstst?ndig Muster, Strukturen oder Zusammenh?nge in den Daten zu finden.

Beispiele aus der Praxis für unbeaufsichtigtes Lernen

Kundensegmentierung:

• Eingabe: Kundendaten (z. B. Alter, Kaufhistorie, Standort).
• Ausgabe: Gruppen ?hnlicher Kunden (z. B. ?Hochfrequenzk?ufer“, ?Budgetk?ufer“).
• Das Modell identifiziert Cluster von Kunden mit ?hnlichem Verhalten.

Anomalieerkennung:

• Eingabe: Netzwerkverkehrsdaten.
• Ergebnis: Identifizieren Sie ungew?hnliche Muster, die auf einen Cyberangriff hinweisen k?nnen.
• Das Modell erkennt Ausrei?er oder Anomalien in den Daten.

Warenkorbanalyse:

• Eingeben: Transaktionsdaten von Lebensmittelgesch?ften.
• Ausgabe: Die Produktgruppe wurde h?ufig zusammen gekauft (wie "Brot und Butter").
• Der Zusammenhang zwischen Modellerkennungsprodukten.

---

Die Hauptunterschiede zwischen überwachungslernen und unbeaufsichtigtem Lernen

Code Beispiel

Lassen Sie uns einen Code in der Tiefe untersuchen und die Arbeitsmethoden des überwachungslernens und das unbeaufsichtigte Lernen in der Praxis untersuchen. Wir werden Python und popul?re

scikit-larn Bibliotheken verwenden.

Aufsichtserlernungsbeispiel: Vorhersage des Preises von H?usern

Wir werden einfache lineare Regressionsmodelle verwenden, um den Preis von H?usern auf der Grundlage der Eigenschaften der Quadratfu? vorherzusagen.

# 導入庫
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error

# 創(chuàng)建樣本數(shù)據(jù)集
data = {
    'SquareFootage': [1400, 1600, 1700, 1875, 1100, 1550, 2350, 2450, 1425, 1700],
    'Price': [245000, 312000, 279000, 308000, 199000, 219000, 405000, 324000, 319000, 255000]
}
df = pd.DataFrame(data)

# 特征 (X) 和標簽 (y)
X = df[['SquareFootage']]
y = df['Price']

# 將數(shù)據(jù)分成訓練集和測試集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 訓練線性回歸模型
model = LinearRegression()
model.fit(X_train, y_train)

# 做出預測
y_pred = model.predict(X_test)

# 評估模型
mse = mean_squared_error(y_test, y_pred)
print(f"均方誤差：{mse:.2f}")

unbeaufsichtigtes Lernbeispiel: Kundensegmentierung

Wir werden den durchschnittlichen Cluster -Algorithmus von K verwenden, um den Kunden nach Alters- und Verbrauchsgewohnheiten des Kunden zu gruppieren.

# 導入庫
import numpy as np
import pandas as pd
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt

# 創(chuàng)建樣本數(shù)據(jù)集
data = {
    'Age': [25, 34, 22, 45, 32, 38, 41, 29, 35, 27],
    'SpendingScore': [30, 85, 20, 90, 50, 75, 80, 40, 60, 55]
}
df = pd.DataFrame(data)

# 特征 (X)
X = df[['Age', 'SpendingScore']]

# 訓練 K 均值聚類模型
kmeans = KMeans(n_clusters=3, random_state=42)
df['Cluster'] = kmeans.fit_predict(X)

# 可視化集群
plt.scatter(df['Age'], df['SpendingScore'], c=df['Cluster'], cmap='viridis')
plt.xlabel('年齡')
plt.ylabel('消費評分')
plt.title('客戶細分')
plt.show()

---

Wenn Sie überwachung und Lernen und unbeaufsichtigtes Lernen verwenden

Wann verwendet überwachung und Studium:

Sie haben die markierten Daten.
Sie m?chten die Ergebnisse vorhersagen oder die Daten klassifizieren.
Beispiel: Prognoseverk?ufe, klassifizieren und erkennen Betrug auf Bildern.

Wann unbeaufsichtigtes Lernen verwendet:

Sie haben nicht signierte Daten.
Sie m?chten einen versteckten Modus oder eine versteckte Struktur finden.
Beispiel: Gruppierung für Kunden, Reduzierung von Datenabmessungen und Feststellung von Anomalien.

---

Schlussfolgerung

überwachungslernen und unbeaufsichtigtes Lernen sind zwei grundlegende Methoden im maschinellen Lernen. Das Lernen des überwachung ist sehr geeignet für die Vorhersage, wenn Sie Tag -Tag -Daten haben, und das unbeaufsichtigte Lernen ist hervorragend, wenn Sie die Art der nicht signierten Daten untersuchen und entdecken m?chten.

Wenn Sie Unterschiede verstehen und ein Beispiel für die reale Welt (z. B. Beispiele in diesem Artikel) praktizieren, werden Sie diese grundlegenden Technologien für maschinelles Lernen beherrschen. Wenn Sie Fragen haben oder Ihre eigenen Erfahrungen teilen m?chten, hinterlassen Sie bitte eine Nachricht.

Das obige ist der detaillierte Inhalt vonüberwachtes vs. unüberwachtes Lernen. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!