Terawasi vs Tak Terawasi

Pembelajaran mesin terbagi menjadi dua kelompok besar: pembelajaran terawasi, yang menggunakan jawaban berlabel, dan pembelajaran tak terawasi, yang tidak menggunakannya. 🧭

Dalam pembelajaran terawasi, setiap baris memiliki label yang diketahui, yaitu jawaban benar yang coba diprediksi model untuk data baru.

Model terawasi mempelajari pasangan input dan label, lalu menggeneralisasi pemetaan tersebut untuk memprediksi label yang belum pernah dilihatnya.

Pembelajaran tak terawasi sama sekali tidak memiliki label. Algoritme harus menemukan struktur dalam data secara mandiri, tanpa ada yang memberitahukan apa yang benar.

Tugas tak terawasi yang paling umum adalah pengelompokan: menyatukan baris yang serupa agar segmen alami muncul dari data mentah.

Pengelompokan menentukan siapa yang termasuk bersama dengan menggunakan ukuran jarak, seperti jarak Euclidean antara nilai fitur.

Mengurutkan pembeli ke dalam segmen berdasarkan barang yang mereka beli, tanpa kategori yang telah ditentukan, adalah contoh klasik pengelompokan.

Tanpa label, tidak ada akurasi sederhana yang dapat diperiksa. Anda menilai klaster berdasarkan seberapa kompak dan seberapa terpisah klaster tersebut.

Tabel yang sama dapat digunakan untuk kedua pendekatan: tambahkan kolom target untuk pekerjaan terawasi, atau jangan sertakan kolom tersebut agar struktur dapat terungkap.

Gunakan pembelajaran terawasi ketika Anda memiliki jawaban yang jelas untuk diprediksi; pilih pembelajaran tak terawasi ketika Anda ingin menjelajahi pola yang belum diketahui.

Kedua kelompok tersebut menggunakan satu pustaka yang sama. Alat pengelompokan berada di bawah sklearn.cluster, siap digunakan bersama pengklasifikasi yang sudah Anda kenal.

Pembelajaran terawasi memprediksi label yang diketahui; pembelajaran tak terawasi, seperti pengelompokan, menemukan kelompok tersembunyi saat tidak ada label. 🎯