L'apprentissage automatique (ML) est un outil puissant qui permet aux ordinateurs d'apprendre à partir de données et de faire des prédictions ou des décisions. Mais tous les apprentissages automatiques ne sont pas identiques : il existe différents types d’apprentissage, chacun adapté à des taches spécifiques. Les deux types les plus courants sont l'apprentissage supervisé et l'apprentissage non supervisé. Dans cet article, nous explorerons les différences entre eux, fournirons des exemples concrets et passerons en revue des extraits de code pour vous aider à comprendre leur fonctionnement.

Qu'est-ce que l'apprentissage supervisé??

L'apprentissage supervisé est un type d'apprentissage automatique dans lequel un algorithme apprend à partir de données étiquetées. En d’autres termes, les données que vous fournissez au modèle incluent les entités en entrée et les sorties correctes (étiquettes). L’objectif est que le modèle apprenne la relation entre les entrées et les sorties afin de pouvoir faire des prédictions précises sur de nouvelles données invisibles.

Exemples concrets d'apprentissage supervisé

Détection du spam par courrier électronique?:

• Saisie?: Le texte de l'e-mail.
• Sortie?: Libellé indiquant si l'e-mail est "Spam" ou "Not Spam".
• Le modèle apprend à classer les e-mails en fonction d'exemples étiquetés.

Prévisions des prix des maisons?:

• Entrée?: Caractéristiques de la maison (par exemple, superficie en pieds carrés, nombre de chambres, emplacement).
• Sortie?: Prix de la maison.
• Le modèle apprend à prédire les prix sur la base de données historiques.

Diagnostic médical?:

• Entrée?: données du patient (par exemple, sympt?mes, résultats de laboratoire).
• Sortie?: Diagnostic (par exemple ? Santé ? ou ? Diabète ?).
• Le modèle apprend à diagnostiquer sur la base de dossiers médicaux étiquetés.

Qu'est-ce que l'apprentissage non supervisé??

L'apprentissage non supervisé est un type d'apprentissage automatique dans lequel les algorithmes apprennent à partir de données non étiquetées. Contrairement à l’apprentissage supervisé, aucun résultat correct n’est fourni. Au lieu de cela, les modèles tentent de trouver par eux-mêmes des modèles, des structures ou des relations dans les données.

Exemples concrets d'apprentissage non supervisé

Segmentation client?:

• Entrée?: données client (par exemple, age, historique des achats, emplacement).
• Résultat?: groupes de clients similaires (par exemple, ? acheteurs à haute fréquence ?, ? acheteurs à petit budget ?).
• Le modèle identifie des groupes de clients ayant un comportement similaire.

Détection d'anomalies?:

• Entrée?: données de trafic réseau.
• Résultat?: identifiez les modèles inhabituels pouvant indiquer une cyberattaque.
• Le modèle détecte les valeurs aberrantes ou les anomalies dans les données.

Analyse du panier de marché?:

• Entrée?: données de transaction d'épicerie.
• Sortie?: groupes de produits qui sont souvent achetés ensemble (par exemple, ??pain et beurre??).
• Le modèle identifie les associations entre les produits.

Les principales différences entre l'apprentissage supervisé et l'apprentissage non supervisé

Exemple de code

Examinons un peu de code et voyons comment l'apprentissage supervisé et non supervisé fonctionne dans la pratique. Nous utiliserons Python et la populaire bibliothèque Scikit-learn.

Exemple d'apprentissage supervisé?: Prédire les prix de l'immobilier

Nous utiliserons un modèle de régression linéaire simple pour prédire le prix d'une maison en fonction de caractéristiques telles que la superficie en pieds carrés.

# 導(dǎo)入庫(kù)
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(biāo)簽 (y)
X = df[['SquareFootage']]
y = df['Price']

# 將數(shù)據(jù)分成訓(xùn)練集和測(cè)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(xiàn)性回歸模型
model = LinearRegression()
model.fit(X_train, y_train)

# 做出預(yù)測(cè)
y_pred = model.predict(X_test)

# 評(píng)估模型
mse = mean_squared_error(y_test, y_pred)
print(f"均方誤差：{mse:.2f}")

Exemple d'apprentissage non supervisé?: segmentation client

Nous utiliserons l'algorithme de clustering K-means pour regrouper les clients en fonction de leur age et de leurs habitudes de dépenses.

# 導(dǎo)入庫(kù)
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(lèi)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(fèi)評(píng)分')
plt.title('客戶(hù)細(xì)分')
plt.show()

Quand utiliser l'apprentissage supervisé ou l'apprentissage non supervisé

Quand utiliser l'apprentissage supervisé?:

• Vous avez étiqueté les données.
• Vous souhaitez prédire des résultats ou classer des données.
• Exemples?: Prédire les ventes, classer les images, détecter les fraudes.

Quand utiliser l'apprentissage non supervisé?:

• Vous disposez de données non étiquetées.
• Vous souhaitez découvrir des motifs ou des structures cachés.
• Exemples?: regroupez les clients, réduisez les dimensions des données et recherchez les anomalies.

Conclusion

L'apprentissage supervisé et l'apprentissage non supervisé sont deux méthodes de base de l'apprentissage automatique, chacune avec ses propres avantages et cas d'utilisation. L'apprentissage supervisé est idéal pour faire des prédictions lorsque vous disposez de données étiquetées, tandis que l'apprentissage non supervisé est idéal lorsque vous souhaitez explorer et découvrir des modèles dans des données non étiquetées.

En comprenant les différences et en vous entra?nant avec des exemples concrets, tels que ceux présentés dans cet article, vous ma?triserez ces techniques de base d'apprentissage automatique. Si vous avez des questions ou souhaitez partager vos propres expériences, n'hésitez pas à laisser un commentaire ci-dessous.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!