Yan yana
Denetimli ÖğrenmevsDenetimsiz Öğrenme
Denetimli (supervised) ile denetimsiz (unsupervised) öğrenme arasındaki fark nedir?
Güncellendi 2 dk okuma7 fark
Kısaca
Denetimli öğrenme modeli etiketli örneklerle eğitir ve yeni veri için tahmin yaptırır; denetimsiz öğrenme ise etiketsiz verideki örüntüleri ve grupları bulur.
Denetimli Öğrenme
Denetimli öğrenme, modelin etiketli örneklerden, yani doğru cevaplarla eşleştirilmiş girdilerden öğrenip yeni veride çıktı tahmin ettiği makine öğrenmesidir.
Denetimli Öğrenme sayfasını okuDenetimsiz Öğrenme
Denetimsiz öğrenme, bir modelin doğru cevaplar verilmeden etiketsiz verilerdeki örüntüleri, grupları veya yapıyı bulduğu makine öğrenmesidir.
Denetimsiz Öğrenme sayfasını okuDenetimli Öğrenme ve Denetimsiz Öğrenme karşılaştırması
| Özellik | Denetimli Öğrenme | Denetimsiz Öğrenme |
|---|---|---|
| Eğitim verisi | Etiketli: her girdinin bilinen bir yanıtı var | Etiketsiz: yalnızca girdiler |
| Amaç | Yeni veri için bir etiketi ya da değeri tahmin etmek | Grupları, örüntüleri ya da yapıyı keşfetmek |
| Tipik görevler | Sınıflandırma ve regresyon | Kümeleme, boyut indirgeme, anomali tespiti |
| Değerlendirme | Gerçek etiketlere karşı doğruluk gibi net metrikler | Daha zor; çoğu zaman insan yargısı gerekir |
| Veri maliyeti | Yüksek; etiketleme zaman ve uzmanlık gerektirir | Düşük; ham veri yeterli |
| Örnek algoritmalar | Doğrusal regresyon, karar ağaçları, sinir ağları | k-means, DBSCAN, PCA, otokodlayıcılar (autoencoder) |
| Örnek kullanımlar | Spam filtreleme, fiyat tahmini, görüntü sınıflandırma | Müşteri segmentasyonu, dolandırıcılık tespiti, konu keşfi |
Fark, açıklamalı
Denetimli öğrenmede her eğitim örneği, etiket denen doğru yanıtla birlikte gelir; örneğin spam olarak ya da olmayarak işaretlenmiş e-postalar veya satış fiyatlarıyla birlikte evler. Model girdileri etiketlerle eşlemeyi öğrenir ve sonra yeni girdiler için etiket tahmin eder. Denetimsiz öğrenmede ise verinin etiketi yoktur ve algoritma yapıyı kendi başına arar; benzer müşteri kümeleri ya da olağandışı işlemler gibi.
Fark, etiketlerin değerli ama pahalı olmasından doğar. Neyi tahmin etmek istediğinizi biliyorsanız ve etiketli örnekler toplayabiliyorsanız, denetimli öğrenme sınıflandırma ve regresyon görevlerinde ölçülebilir doğruluk verir. Etiketler yoksa ya da neyi arayacağınızı henüz bilmiyorsanız, kümeleme, boyut indirgeme ve anomali tespiti gibi denetimsiz yöntemler veriyi keşfetmenize yardımcı olur.
Çoğu zaman birlikte çalışırlar. Ekipler önce kategorileri keşfetmek için veriyi kümeleyebilir, sonra örnekleri etiketleyip denetimli bir model eğitebilir. Sonraki kelimeyi tahmin etmek gibi etiketleri verinin kendisinden üreten kendi kendine denetimli öğrenme (self-supervised learning), büyük dil modellerinin denetimli fine-tuning'den önce ön eğitiminin yapıldığı yoldur.
Sık yapılan bir yanlış, denetimsiz öğrenmenin denetimli öğrenmenin daha zayıf bir biçimi olduğu düşüncesidir. Farklı bir soruyu yanıtlar ve karşılaştırılacak doğru bir yanıt olmadığı için sonuçlarını değerlendirmek daha zordur, bu yüzden insan yorumuna ihtiyaç duyar. Pekiştirmeli öğrenme (reinforcement learning) ise etiketler yerine ödüllerden öğrenen üçüncü, ayrı bir yaklaşımdır.
Hangisini kullanmalısınız?
Denetimli Öğrenme şu durumlarda doğru seçim:
- Neyi tahmin etmek istediğinizi tam olarak biliyorsunuz.
- Yeterince etiketli örneğiniz var ya da oluşturabilirsiniz.
- Onaylar veya teşhisler gibi kararlar için ölçülebilir doğruluğa ihtiyacınız var.
Denetimsiz Öğrenme şu durumlarda doğru seçim:
- Çok veriniz var ama etiketiniz yok.
- Veriyi keşfetmek ve bilmediğiniz grupları ortaya çıkarmak istiyorsunuz.
- Her tür anomaliye ait örnekler olmadan olağandışı davranışı işaretlemeniz gerekiyor.
Etiketle eğitmek ile etiketsiz eğitmek
from sklearn.linear_model import LogisticRegression
X = [[1, 20], [3, 45], [8, 90], [9, 95]] # features
y = ["low", "low", "high", "high"] # labels (the answers)
model = LogisticRegression().fit(X, y) # learns from the answers
print(model.predict([[7, 80]])) # e.g. ['high']from sklearn.cluster import KMeans
X = [[1, 20], [3, 45], [8, 90], [9, 95]] # features only, no labels
model = KMeans(n_clusters=2).fit(X) # finds groups on its own
print(model.labels_) # e.g. [1 1 0 0]Sık sorulan sorular
Büyük dil modelleri denetimli mi, denetimsiz mi?
Aşamalı olarak ikisi de. Büyük miktarda metin üzerinde kendi kendine denetimli öğrenmeyle ön eğitim alır, ardından denetimli fine-tuning ve insan geri bildiriminden pekiştirmeli öğrenmeyle geliştirilir.
Kümeleme denetimli mi, denetimsiz mi?
Kümeleme denetimsizdir; çünkü benzer veri noktalarını, doğru grupların önceden söylenmesine gerek kalmadan bir araya getirir.
Yarı denetimli öğrenme nedir?
Yarı denetimli öğrenme, küçük bir etiketli veri kümesini büyük bir etiketsiz veri kümesiyle birleştirir; her şeyi etiketlemek çok pahalı olacağında yararlıdır.