Обучение с учителем и обучение без учителя — это две фундаментальные парадигмы машинного обучения, каждая из которых подходит для разных типов задач и разной доступности данных.
Модель обучается на размеченных данных — это значит, что каждому входу соответствует ожидаемый выход. Цель — научиться отображать входы на выходы.
Типичные задачи:
Популярные алгоритмы (через scikit-learn):
LogisticRegression — классификацияLinearRegression — регрессияRandomForestClassifier — классификацияfrom sklearn.ensemble import RandomForestClassifier
model = RandomForestClassifier()
model.fit(X_train, y_train)
Модель обучается на неразмеченных данных, самостоятельно находя скрытые закономерности или структуру — без заранее заданных ответов.
Типичные задачи:
Популярные алгоритмы (через scikit-learn):
KMeans — кластеризацияPCA — снижение размерностиDBSCAN — кластеризация на основе плотностиfrom sklearn.cluster import KMeans
model = KMeans(n_clusters=3)
model.fit(X)
Обучение с учителем требует размеченных данных с соответствующими ожидаемыми выходами для каждого входа, а обучение без учителя обнаруживает закономерности в неразмеченных данных без предопределённых выходов.
Новый — ещё не проверен сообществом
Вы