Différence entre apprentissage supervisé et non supervisé

Dans le domaine du machine learning, il existe deux principaux types de tâches: supervisées et non supervisées. La principale différence entre les deux types réside dans le fait que l’apprentissage supervisé se fait sur la base d’une vérité fondamentale. En d’autres termes, nous avons une connaissance préalable de ce que devraient être les valeurs de sortie de nos échantillons. Par conséquent, l’objectif de l’apprentissage supervisé est d’apprendre une fonction qui, à partir d’un échantillon de données et des résultats souhaités, se rapproche le mieux de la relation entre entrée et sortie observable dans les données. En revanche, l’apprentissage non supervisé n’a pas de résultats étiquetés. Son objectif est donc de déduire la structure naturelle présente dans un ensemble de points de données.
 

Table de comparaison

	Apprentissage supervisé	Apprentissage non supervisé
Données d’entrée	Utilise les données connues et étiquetées comme entrées	Données inconnues en entrée
Complexité informatique	Très complexe	Moins de complexité informatique
Temps réél	Utilise l’analyse hors ligne	Utilise l’analyse en temps réel des données
Sous-domaines	Classification et régression	Exploitation de règles de clustering et d’association
Précision	Produit des résultats précis	Génère des résultats modérés
Nombre de classes	Nombre de classes connues	Le nombre de classes n’est pas connu

Apprentissage supervisé

La majorité des experts machine learning utilisent un apprentissage supervisé.

L’apprentissage supervisé consiste en des variables d’entrée (x) et une variable de sortie (Y). Vous utilisez un algorithme pour apprendre la fonction de mappage de l’entrée à la sortie.

Y = f (X)

Le but est d’appréhender si bien la fonction de mappage que lorsque vous avez de nouvelles données d’entrée (x), vous pouvez prévoir les variables de sortie (Y) pour ces données.

C’est ce qu’on appelle l’apprentissage supervisé, car le processus d’un algorithme tiré de l’ensemble de données, et peut être considéré comme un enseignant supervisant le processus d’apprentissage. Nous connaissons les réponses correctes, l’algorithme effectue des prédictions itératives sur les données d’apprentissage et est corrigé par l’enseignant. L’apprentissage s’arrête lorsque l’algorithme atteint un niveau de performance acceptable.

Les problèmes d’apprentissage supervisé peuvent être regroupés en problèmes de régression et de classification.

• Classification: Un problème de classification survient lorsque la variable de sortie est une catégorie, telle que «rouge» ou «bleu».
• Régression: Un problème de régression se pose lorsque la variable de sortie est une valeur réelle, telle que «dollars» ou «poids».

Certains types de problèmes fondés sur la classification et la régression incluent la prévision et la prévision de séries chronologiques.

Voici quelques exemples populaires des algorithmes d’apprentissage supervisé:

• Régression linéaire pour les problèmes de régression.
• Forêt aléatoire pour les problèmes de classification et de régression.
• Soutenir les machines à vecteurs pour les problèmes de classification.