ikke-superviseret læring
En maskinlæringsmetode, hvor modellen lærer mønstre i data uden brug af forhåndsannoterede labels.
Kort fortalt
Maskinen opdager selv strukturer i data, som fx at gruppere lignende billeder uden at få at vide, hvad billederne forestiller.
- Kategori
- teknik
- Niveau
- begynder
Betydninger
1- 1
En gren af maskinlæring, der omfatter algoritmer, som trænes på uannoterede data for at finde underliggende strukturer eller repræsentationer. Eksempler omfatter klyngedannelse (f.eks. K-means), dimensionalitetsreduktion (f.eks. PCA) og sandsynlighedsmodellering (f.eks. Gaussiske blandingsmodeller).
- K-means er en af de mest anvendte ikke-superviserede læringsalgoritmer til klyngedannelse. — Fagbog om maskinlæring
- Ikke-superviseret læring kan bruges til at reducere dimensionaliteten af billeddata, inden de anvendes i en superviseret model. — Forskning, 2020
Hvornår bruges det
Ikke-superviseret læring anvendes blandt andet til klyngedannelse (clustering), dimensionalitetsreduktion og anomalidetektion. Det er nyttigt, når man har store datamængder uden labels, eller når man vil udforske dataindholdet.
Kodeeksempel
from sklearn.cluster import KMeans
X = [[1, 2], [1, 4], [1, 0], [10, 2], [10, 4], [10, 0]]
kmeans = KMeans(n_clusters=2, random_state=0).fit(X)
print(kmeans.labels_)Eksempel på klyngedannelse med K-means: data punkter grupperes i to klynger baseret på lighed.
Oprindelse
Begrebet er dannet af 'ikke-superviseret' (uden vejledning) og 'læring' (indlæring). Det stammer fra maskinlæringslitteraturen, hvor superviseret læring kræver labelled data, mens ikke-superviseret læring ikke gør.
Afledte ord
3Kilder
2- Pattern Recognition and Machine Learning
- Deep Learning