Überwachtes Lernen: Überwachtes Lernen ist das Lernen des Modells, bei dem eine Eingabevariable (z. B. x) und eine Ausgabevariable (z. B. Y) und ein Algorithmus die Eingabe der Ausgabe zuordnen.
Das ist,Y = f(X)

Warum überwachtes Lernen?
Das grundlegende Ziel besteht darin, die Abbildungsfunktion (oben erwähnt) so gut zu approximieren, dass bei neuen Eingabedaten (x) die entsprechende Ausgabevariable vorhergesagt werden kann.

Es wird überwachtes Lernen genannt, weil der Prozess eines Lernens (aus dem Trainingsdatensatz) als ein Lehrer angesehen werden kann, der den gesamten Lernprozess überwacht. Somit macht der „Lernalgorithmus“ iterativ Vorhersagen zu den Trainingsdaten und wird vom „Lehrer“ korrigiert, und das Lernen stoppt, wenn der Algorithmus ein akzeptables Leistungsniveau (oder die gewünschte Genauigkeit) erreicht.

Beispiel für überwachtes Lernen
Angenommen, es gibt einen Korb, der mit frischen Früchten gefüllt ist, die Aufgabe besteht darin, die gleiche Art von Früchten an einem Ort anzuordnen.
Nehmen Sie außerdem an, dass die Früchte Apfel, Banane, Kirsche, Traube sind.

Angenommen, man weiß bereits aus seiner früheren Arbeit (oder Erfahrung), dass die Form jeder einzelnen Frucht im Korb so ist, dass es für ihn einfach ist, die gleiche Art von Früchten an einem Ort anzuordnen.

Hier wird die vorherige Arbeit in der Data-Mining-Terminologie als Trainingsdaten bezeichnet. Es lernt also die Dinge aus den Trainingsdaten. Dies liegt daran, dass es eine Antwortvariable hat, die besagt, dass es sich bei einer Frucht, die diese und jene Eigenschaften hat, um eine Traube handelt, und ähnlich für jede einzelne Frucht.

Diese Art von Informationen wird aus den Daten entschlüsselt, die zum Trainieren des Modells verwendet werden.
Diese Art des Lernens wird überwachtes Lernen genannt .
Solche Probleme sind unter den klassischen Klassifikationsaufgaben aufgeführt .
 
Unüberwachtes Lernen: Unüberwachtes Lernen liegt vor, wenn nur die Eingabedaten (z. B. X) vorhanden sind und keine entsprechende Ausgabevariable vorhanden ist.

Warum unüberwachtes Lernen?
Das Hauptziel des unüberwachten Lernens besteht darin, die Verteilung in den Daten zu modellieren, um mehr über die Daten zu erfahren.

Es wird so genannt, weil es keine richtige Antwort gibt und es keinen solchen Lehrer gibt (im Gegensatz zum überwachten Lernen). Algorithmen werden sich selbst überlassen, um die interessante Struktur in den Daten zu entdecken und darzustellen.

Beispiel für unbeaufsichtigtes Lernen Noch
einmal: Angenommen, es gibt einen Korb und er ist mit frischen Früchten gefüllt. Die Aufgabe besteht darin, die gleiche Obstsorte an einem Ort anzuordnen.

Diesmal gibt es vorher keine Informationen über diese Früchte, es ist das erste Mal, dass die Früchte gesehen oder entdeckt werden

Wie gruppiert man also ähnliche Früchte ohne Vorkenntnisse?
Zunächst wird jedes physikalische Merkmal einer bestimmten Frucht ausgewählt. Angenommen Farbe .

Dann werden die Früchte anhand der Farbe angeordnet. Die Gruppen sind etwa wie unten gezeigt:
ROTE FARBGRUPPE : Äpfel & Kirschfrüchte.
GRÜNE FARBGRUPPE : Bananen & Trauben.

Nehmen Sie jetzt also einen anderen physischen Charakter, sagen wir, Größe , also werden die Gruppen jetzt ungefähr so ​​​​sein.
ROTE FARBE UND GROSSE GRÖSSE : Apfel.
ROTE FARBE UND KLEINE GRÖSSE : Kirschfrüchte.
GRÜNE FARBE UND GROSSE GRÖSSE : Bananen.
GRÜNE FARBE UND KLEINE GRÖSSE : Trauben.
Die Arbeit ist erledigt!
Hier muss man nichts vorher wissen oder lernen. Das heißt, keine Zugdaten und keine Antwortvariable. Diese Art des Lernens wird als unüberwachtes Lernen bezeichnet .

Unterschied zwischen überwachtem und unüberwachtem Lernen:

ÜBERWACHTES LERNEN	UNBEAUFSICHTIGTES LERNEN
Eingabedaten	Verwendet bekannte und gekennzeichnete Daten als Eingabe	Verwendet unbekannte Daten als Eingabe
Rechenkomplexität	Sehr komplex	Weniger Rechenkomplexität
Echtzeit	Verwendet Offline-Analyse	Verwendet Echtzeitanalyse von Daten
Anzahl der Klassen	Anzahl der Klassen sind bekannt	Anzahl der Klassen sind nicht bekannt
Genauigkeit der Ergebnisse	Genaue und zuverlässige Ergebnisse	Mäßig genaue und zuverlässige Ergebnisse