教師あり学習と教師なし学習は、機械学習の 2 つの手法です。ただし、どちらの手法も異なるシナリオおよび異なるデータセットで使用されます。以下に、両方の学習方法の説明とその違いの表を示します。
インターネットを使用して
教師あり機械学習:
教師あり学習は、ラベル付きデータを使用してモデルをトレーニングする機械学習方法です。教師あり学習では、モデルは入力変数 (X) を出力変数 (Y) にマッピングするためのマッピング関数を見つける必要があります。
教師あり学習ではモデルをトレーニングするために監督が必要ですが、これは生徒が教師の存在下で物事を学習するのと似ています。教師あり学習は、次の 2 種類の問題に使用できます。 分類 そして 回帰 。
もっと詳しく知る 教師あり機械学習
スプリングブートアーキテクチャ
例： さまざまな種類の果物の画像があるとします。教師あり学習モデルのタスクは、成果を識別し、それに応じて分類することです。したがって、教師あり学習で画像を識別するために、入力データとその出力を与えます。つまり、各果物の形、サイズ、色、味によってモデルをトレーニングします。トレーニングが完了したら、新しいフルーツのセットを与えてモデルをテストします。モデルは果物を識別し、適切なアルゴリズムを使用して出力を予測します。
教師なし機械学習:
教師なし学習は、ラベルのない入力データからパターンを推測するもう 1 つの機械学習方法です。教師なし学習の目標は、入力データから構造とパターンを見つけることです。教師なし学習には教師は必要ありません。代わりに、データから独自にパターンを見つけます。
もっと詳しく知る 教師なし機械学習
Cのポインタ
教師なし学習は、次の 2 種類の問題に使用できます。 クラスタリング そして 協会 。
例： 教師なし学習を理解するために、上記の例を使用します。したがって、教師あり学習とは異なり、ここではモデルに教師を提供しません。入力データセットをモデルに提供するだけで、モデルがデータからパターンを見つけられるようになります。適切なアルゴリズムの助けを借りて、モデルはそれ自体をトレーニングし、果物間の最も類似した特徴に従って果物を異なるグループに分割します。
教師あり学習と教師なし学習の主な違いは以下のとおりです。
| 教師あり学習 | 教師なし学習 |
|---|---|
| 教師あり学習アルゴリズムは、ラベル付きデータを使用してトレーニングされます。 | 教師なし学習アルゴリズムは、ラベルのないデータを使用してトレーニングされます。 |
| 教師あり学習モデルは、直接フィードバックを取得して、正しい出力を予測しているかどうかを確認します。 | 教師なし学習モデルはフィードバックを受け取りません。 |
| 教師あり学習モデルは出力を予測します。 | 教師なし学習モデルは、データ内の隠れたパターンを見つけます。 |
| 教師あり学習では、入力データが出力とともにモデルに提供されます。 | 教師なし学習では、入力データのみがモデルに提供されます。 |
| 教師あり学習の目標は、新しいデータが与えられたときに出力を予測できるようにモデルをトレーニングすることです。 | 教師なし学習の目標は、未知のデータセットから隠されたパターンと有用な洞察を見つけることです。 |
| 教師あり学習では、モデルをトレーニングするために監視が必要です。 | 教師なし学習では、モデルをトレーニングするための教師は必要ありません。 |
| 教師あり学習は次のように分類できます。 分類 そして 回帰 問題。 | 教師なし学習は次のように分類できます。 クラスタリング そして 協会 問題。 |
| 教師あり学習は、入力と対応する出力がわかっている場合に使用できます。 | 教師なし学習は、入力データのみがあり、対応する出力データがない場合に使用できます。 |
| 教師あり学習モデルは正確な結果を生成します。 | 教師なし学習モデルは、教師あり学習と比較して精度の低い結果が得られる可能性があります。 |
| 教師あり学習は、この例のように、真の人工知能には近くありません。最初に各データのモデルをトレーニングし、その後、正しい出力を予測できるのはそのモデルだけです。 | 教師なし学習は、子供が経験によって日常的なことを学ぶのと同じように学習するため、真の人工知能により近くなります。 |
| 線形回帰、ロジスティック回帰、サポート ベクター マシン、マルチクラス分類、デシジョン ツリー、ベイジアン ロジックなどのさまざまなアルゴリズムが含まれています。 | クラスタリング、KNN、Apriori アルゴリズムなどのさまざまなアルゴリズムが含まれています。 |