機械学習の4つの異なるカテゴリの概要

[[420892]]

学習の実行方法に基づいて、アルゴリズムをさまざまなカテゴリに分類できます。

• 教師あり学習
• 教師なし学習
• 半教師あり学習
• 強化学習

01 教師あり学習

教師あり学習は、今日のビジネスにおいて最も一般的な機械学習の形式です。これらのアルゴリズムは、入力と出力をマッピングする関数の適切な近似値を見つけようとします。

これを行うには、名前が示すように、アルゴリズムに入力値と出力値を自分で提供し、予測値と実際の出力値の間の誤差を最小化する関数を見つける必要があります。

学習段階はトレーニングと呼ばれます。モデルがトレーニングされると、未知のデータの出力を予測できるようになります。この段階は、図 1-1 に示すように、スコアリングまたは予測として見られることが多いです。

▲図1-1

02 教師なし学習

教師なし学習はラベルのないデータで機能するため、実際の出力値は必要ありません。必要なのは入力値だけです。データ内のパターンを見つけ、それらの共通属性に基づいて応答し、入力をいくつかの異なるクラスターに分割します (図 1-2 を参照)。

▲図1-2

通常、教師なし学習は、入力スペースを減らし、データ内の信号をより少数の変数に集中させるために、教師あり学習と組み合わせて使用​​されることがよくありますが、教師なし学習には他の目的もあります。この観点から、ラベル付きデータが高価であったり信頼性が低い場合には、教師あり学習よりも教師なし学習の方が適しています。

一般的な教師なし学習手法には、クラスタリング、主成分分析 (PCA)、独立成分分析 (ICA)、および生成的敵対ネットワーク (GAN) やオートエンコーダー (AE) などの一部のニューラル ネットワークが含まれます。

03 半教師あり学習

半教師あり学習は、教師あり学習と教師なし学習の中間に位置する手法です。これはおそらく機械学習における別個のカテゴリではなく、教師あり学習の単なる一般化ですが、ここでリストすることは有用です。

目標は、一部のラベル付きデータを同様のラベルなしデータに拡張することで、ラベル付きデータの収集コストを削減することです。いくつかの生成モデルを半教師あり学習として分類します。

半教師あり学習は、直接学習と帰納的学習に分けられます。トランスダクティブ学習はラベルのないデータのラベルを推論するのに適しており、帰納的学習は入力から出力への正しいマッピングを推論するのに適しています。

このプロセスは、学校で学ぶプロセスのほとんどと似ていることがわかります。先生は生徒たちにいくつかの例を示し、宿題を自宅で終わらせるように言いました。これらの課題を完了するには、一般化する必要があります。

04 強化学習

強化学習 (RL) は、これまで見てきた中で最もユニークなカテゴリです。このコンセプトは非常に興味深いものです。アルゴリズムは報酬の合計を最大化するポリシーを見つけようとします。

ポリシーはエージェントによって学習され、エージェントはそれを使用して環境内でアクションを実行します。その後、環境はフィードバックを返し、エージェントはそれを使用してポリシーを改善します。フィードバックは実行されたアクションに対する報酬であり、図 1-3 に示すように、正、無効、または負の値になります。

▲図1-3