Uma rápida introdução à aprendizagem supervisionada e não supervisionada

O campo do aprendizado de máquina contém um enorme conjunto de algoritmos que podem ser usados para compreender os dados. Esses algoritmos podem ser classificados em uma das duas categorias a seguir:

1. Algoritmos de aprendizagem supervisionada: envolvem a construção de um modelo para estimar ou prever um resultado com base em uma ou mais entradas.

2. Algoritmos de aprendizagem não supervisionados: envolvem encontrar estrutura e relacionamentos a partir de entradas. Não há saída de “supervisão”.

Este tutorial explica a diferença entre esses dois tipos de algoritmos junto com vários exemplos de cada um.

Algoritmos de aprendizagem supervisionada

Um algoritmo de aprendizagem supervisionada pode ser usado quando temos uma ou mais variáveis explicativas ( _X1 , _X2 , _X3 ,…, _Xp ) e uma variável resposta (Y) e gostaríamos de encontrar uma função que descreva a relação entre as variáveis explicativas e a variável de resposta:

Y = f (X) + ε

onde f representa a informação sistemática que X fornece sobre Y e onde ε é um termo de erro aleatório independente de X com média zero.

Existem dois tipos principais de algoritmos de aprendizagem supervisionada:

1. Regressão: a variável de saída é contínua (por exemplo, peso, altura, tempo, etc.)

2. Classificação: A variável de saída é categórica (por exemplo, homem ou mulher, sucesso ou fracasso, benigno ou maligno, etc.)

Existem duas razões principais pelas quais usamos algoritmos de aprendizagem supervisionada:

1. Previsão: Muitas vezes usamos um conjunto de variáveis explicativas para prever o valor de uma variável de resposta (por exemplo, usando a metragem quadrada e o número de quartos para prever o preço de uma casa ).

2. Inferência: Poderíamos estar interessados em compreender como uma variável de resposta é afetada quando o valor das variáveis explicativas muda (por exemplo, quanto aumenta o preço dos imóveis, em média, quando o número de quartos aumenta em um?)

Dependendo se nosso objetivo é inferência ou previsão (ou uma mistura de ambos), podemos usar métodos diferentes para estimar a função f . Por exemplo, os modelos lineares oferecem uma interpretação mais fácil, mas os modelos não lineares de dificuldade de interpretação podem oferecer previsões mais precisas.

Aqui está uma lista dos algoritmos de aprendizagem supervisionada mais comumente usados:

• Regressão linear
• Regressão logística
• Análise discriminante linear
• Análise discriminante quadrática
• Árvores de decisão
• Baías ingénuas
• Máquinas de vetores de suporte
• Redes neurais

Algoritmos de aprendizagem não supervisionados

Um algoritmo de aprendizagem não supervisionado pode ser usado quando _temos uma lista _de variáveis ₍ X ₁ , dados.

Existem dois tipos principais de algoritmos de aprendizagem não supervisionados:

1. Clustering: Usando esses tipos de algoritmos, tentamos encontrar “clusters” de observações em um conjunto de dados que sejam semelhantes entre si. Isso é frequentemente usado no varejo quando uma empresa deseja identificar grupos de clientes com hábitos de compra semelhantes, para que possam criar estratégias de marketing específicas direcionadas a determinados grupos de clientes.

2. Associação: Utilizando estes tipos de algoritmos, tentamos encontrar “regras” que possam ser utilizadas para estabelecer associações. Por exemplo, os varejistas podem desenvolver um algoritmo de associação que indique que “se um cliente comprar o produto X, é muito provável que ele também compre o produto Y”.

Aqui está uma lista dos algoritmos de aprendizagem não supervisionados mais comumente usados:

• Análise do componente principal
• Agrupamento K-means
• Agrupamento de K-medóides
• Classificação hierárquica
• Algoritmo a priori

Resumo: Aprendizagem supervisionada ou não supervisionada

A tabela a seguir resume as diferenças entre algoritmos de aprendizagem supervisionados e não supervisionados:

E o diagrama a seguir resume os tipos de algoritmos de aprendizado de máquina: