Menentukan pembelajaran yang diawasi

  • 4 menit

Proses melatih model bisa diawasi atau sebaliknya. Tujuan kami di sini adalah untuk membedakan pendekatan-pendekatan ini, kemudian menyelami proses pembelajaran dengan fokus pada pembelajaran yang diawasi. Perlu diingat sepanjang diskusi ini bahwa satu-satunya perbedaan antara pembelajaran yang diawasi dan tidak diawasi adalah cara kerja fungsi objektif.

Apa yang dimaksud dengan pembelajaran yang tidak diawasi?

Dalam pembelajaran yang tidak diawasi, kita melatih model untuk memecahkan masalah tanpa kita mengetahui jawaban yang benar. Faktanya, pembelajaran yang tidak diawasi biasanya digunakan untuk masalah saat tidak ada satu pun jawaban yang benar, melainkan solusi yang lebih baik dan lebih buruk.

Bayangkan bahwa kita ingin model pembelajaran mesin kita menggambar gambar realistis anjing penyelamat longsoran salju. Tidak ada satu pun gambar yang "benar" yang akan dilukis. Selama gambar tersebut terlihat seperti anjing, kita akan puas. Tetapi jika gambar yang dihasilkan adalah kucing, maka ini adalah solusi yang lebih buruk.

Ingatlah bahwa pelatihan memerlukan beberapa komponen:

Diagram of the model and objective function parts of the machine-learning lifecycle.

Dalam pembelajaran yang tidak diawasi, fungsi objektif membuat penilaiannya hanya berdasarkan perkiraan model. Yang berarti bahwa fungsi objektif sering kali harus cukup canggih. Contoh, fungsi objektif mungkin perlu berisi ‘pendeteksi anjing’ untuk menilai apakah gambar yang dilukis oleh model tampak realistis. Satu-satunya data yang kita butuhkan untuk pembelajaran yang tidak diawasi adalah fitur yang kita berikan ke model.

Apa itu pembelajaran yang diawasi?

Anggaplah pembelajaran yang diawasi sebagai pembelajaran berdasarkan contoh. Dalam pembelajaran yang diawasi, kita menilai performa model dengan membandingkan perkiraannya dengan jawaban yang benar. Meskipun kita dapat memiliki fungsi tujuan sederhana, kita membutuhkan keduanya:

  • Fitur yang disediakan sebagai input untuk model
  • Label, yang merupakan jawaban benar yang kita inginkan agar dapat dihasilkan oleh model

Diagram of the model and objective function parts of the machine-learning lifecycle, with labels.

Misalnya, pertimbangkan keinginan kita untuk memprediksi berapa suhu yang akan dicapai pada tanggal 31 Januari di tahun tertentu. Untuk prediksi ini, kita memerlukan data dengan dua komponen:

  • Fitur: Tanggal
  • Label: Suhu harian (misalnya, dari rekaman historis)

Dalam skenario ini, kita akan memberikan fitur tanggal ke model. Model memprediksi suhu, dan kita membandingkan hasil ini dengan suhu yang 'benar' dalam himpunan data. Fungsi objektif kemudian dapat menghitung seberapa baik kinerja model, dan kita dapat membuat penyesuaian pada model.

Label hanya untuk pembelajaran

Perlu diingat bahwa terlepas dari cara model dilatih, model hanya memproses fitur. Selama pembelajaran yang diawasi, fungsi tujuan adalah satu-satunya komponen yang bergantung pada akses ke label. Setelah pelatihan, kami tidak memerlukan label untuk menggunakan model kami.