Machine Learning（ML）は、コンピューターがデータから學(xué)習(xí)し、予測または決定を下すことができる強力なツールです。しかし、すべての機械學(xué)習(xí)が同じようなタイプの學(xué)習(xí)であるわけではなく、各學(xué)習(xí)は特定のタスクに適しています。最も一般的な2つのタイプは、監(jiān)督と學(xué)習(xí)

および監(jiān)視されていない學(xué)習(xí)です。この記事では、それらの違いを調(diào)査し、現(xiàn)実世界の例を提供し、徐々にコードクリップを紹介して、それらの作業(yè)原則を理解するのに役立ちます。

監(jiān)督學(xué)習(xí)とは何ですか？

---

監(jiān)督と學(xué)習(xí)は、アルゴリズムがマークデータから學(xué)習(xí)される一種の機械學(xué)習(xí)です。言い換えれば、モデルに提供するデータには、入力機能と正しい出力（ラベル）が含まれます。目標は、モデルが入力と出力の関係を?qū)W習(xí)できるようにして、新しいデータで正確に予測できるようにすることです。

監(jiān)督學(xué)習(xí)の現(xiàn)実世界の例

電子メールスパム検出：

入力：電子メールテキスト。

出力：電子メールが「スパム」であるか、「非スパム」のラベルであるかを指示しました。
モデル學(xué)習(xí)は、サンプルに基づいた電子メールで分類されます。
• 住宅価格の予測：

入力：家の特徴（たとえば、平方フィート、寢室の數(shù)、場所）。

出力：家の価格。

• モデル學(xué)習(xí)は、履歴データ予測価格に基づいています。
醫(yī)學(xué)診斷：

入力：患者データ（たとえば、癥狀、テスト結(jié)果）。 出力：診斷（たとえば、「健康」または「糖尿病」）。

モデル學(xué)習(xí)は、マークされた醫(yī)療記録に従って診斷されます。
監(jiān)視されていない學(xué)習(xí)とは何ですか？
監(jiān)視されていない學(xué)習(xí)は、アルゴリズムがデータでマークされたことがない一種の機械學(xué)習(xí)です。監(jiān)督學(xué)習(xí)とは異なり、正しい出力は提供されていません。それどころか、モデルはデータ內(nèi)のモデル、構(gòu)造、または関係を見つけようとします。

---

監(jiān)督なしの現(xiàn)実世界の例

カスタマーサブディビジョン：

入力：顧客データ（たとえば、年齢、購入履歴、場所）。

output：同様の顧客のグループ（たとえば、「高周波購入者」と「予算買い物客」）。 同様の動作を持つモデル認識カスタマークラスター。

• 異常検出：
• 入力：ネットワークトラフィックデータ。

出力：識別は、ネットワーク攻撃の異常モードを示す場合があります。

モデル検出データの異常な値または異常。

マーケットバスケット分析：
• • 入力：食料品店の取引データ。
  • 出力：製品グループは、しばしば一緒に購入しました（「パンとバター」など）。
  • モデル認識製品間の関連。

  ---

  監(jiān)督學(xué)習(xí)と教師なし學(xué)習(xí)の主な違い

  **方面**	**監(jiān)督學(xué)習(xí)**	**無監(jiān)督學(xué)習(xí)**
  **數(shù)據(jù)**	標記的（提供輸入和輸出）	未標記的（僅提供輸入）
  **目標**	預(yù)測結(jié)果或?qū)?shù)據(jù)進行分類	發(fā)現(xiàn)數(shù)據(jù)中的模式或結(jié)構(gòu)
  **示例**	分類、回歸	聚類、降維
  **復(fù)雜性**	更容易評估（已知輸出）	更難評估（沒有基本事實）
  **用例**	垃圾郵件檢測、價格預(yù)測	客戶細分、異常檢測

  ---
  コード例
  いくつかのコードを詳細に研究し、実際に監(jiān)督學(xué)習(xí)と監(jiān)視されていない學(xué)習(xí)の作業(yè)方法を見てみましょう。 Pythonと人気のある

  scikit-learnライブラリを使用します。

  監(jiān)督學(xué)習(xí)例：家の価格を予測
  単純な線形回帰モデルを使用して、平方フィートの特性に基づいて家の価格を予測します。

  # 導(dǎo)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(xùn)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(xùn)練線性回歸模型
  model = LinearRegression()
  model.fit(X_train, y_train)
  
  # 做出預(yù)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}")

  監(jiān)視されていない學(xué)習(xí)例：顧客のセグメンテーション
  k平均クラスターアルゴリズムを使用して、顧客の年齢と消費習(xí)慣に応じて顧客をグループ化します。

  # 導(dǎo)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(xùn)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()

  ---

  監(jiān)督と學(xué)習(xí)、監(jiān)視なしの學(xué)習(xí)を使用する
  監(jiān)督と研究を使用する時期：
  マークされたデータがあります。
  結(jié)果を予測するか、データを分類する必要があります。
  例：販売を予測し、畫像の詐欺を分類し、検出します。
  監(jiān)視されていない學(xué)習(xí)を使用する時期：
  署名されていないデータがあります。
  隠しモードまたは構(gòu)造を見つけたいです。
  例：顧客向けのグループ化、データの寸法の削減、異常の検出。

  ---

  結(jié)論

  監(jiān)督學(xué)習(xí)と教師のない學(xué)習(xí)は、機械學(xué)習(xí)における2つの基本的な方法です。監(jiān)督學(xué)習(xí)は、タグデータを持っている場合、予測に非常に適しており、監(jiān)視されていないデータのモードを探索して発見したい場合は、監(jiān)視されていない學(xué)習(xí)が優(yōu)れています。

  違いを理解し、現(xiàn)実の世界（この記事の例など）の例を練習(xí)することにより、これらの基本的な機械學(xué)習(xí)技術(shù)を習(xí)得します。ご質(zhì)問がある場合、または自分の経験を共有したい場合は、いつでもメッセージを殘してください。

以上が教師あり學(xué)習(xí)と教師なし學(xué)習(xí)の詳細內(nèi)容です。詳細については、PHP 中國語 Web サイトの他の関連記事を參照してください。