Ero koneoppimisen ja ennustavan analyysin välillä
Koneoppiminen on tietotekniikan ala, joka kasvaa harppauksin ja sitoo nykyään. Laitteistotekniikan viimeaikainen kehitys, joka on johtanut laskentatehon, kuten GPU: n (graafiset prosessointiyksiköt), huomattavaan lisääntymiseen ja hermoverkkojen etenemiseen, koneoppimisesta on tullut summasana. Pohjimmiltaan koneoppimistekniikoita käyttämällä voidaan rakentaa algoritmeja tietojen poimimiseksi ja tärkeän piilotetun tiedon näkemiseksi siitä. Ennustava analytiikka on myös osa koneoppimisaluetta, joka on rajoitettu ennustamaan tulevia tuloksia aikaisempiin malleihin perustuvista tiedoista. Vaikka ennustavaa analysointia on käytetty jo yli kahden vuosikymmenen ajan pääasiassa pankki- ja finanssisektorilla, koneoppimisen soveltaminen on viime aikoina saanut huomiota algoritmeilla, kuten kohteiden havaitseminen kuvista, tekstien luokittelu ja suositusjärjestelmät.
Koneoppiminen
Koneoppimisessa käytetään sisäisesti tilastoja, matematiikkaa ja tietotekniikan perusteita logiikan rakentamiseksi algoritmeille, jotka voivat tehdä luokittelua, ennustamista ja optimointia sekä reaaliajassa että eräajona. Luokittelu ja regressio ovat koneoppimisen kaksi pääluokkaa. Ymmärretään yksityiskohtaisesti sekä koneoppiminen että ennustava analyysi.
Luokittelu
Näiden ongelman ämpärien alla meillä on tapana luokitella esine yhdeksi tai useammaksi luokkaan sen erilaisten ominaisuuksien perusteella. Esimerkiksi pankkiasiakkaiden luokittelu kelpoisiksi saada asuntolainaa vai ei hänen luottohistoriansa perusteella. Yleensä meillä olisi asiakkaan saatavilla transaktiotietoja, kuten ikä, tulot, koulutustaso, hänen työkokemuksensa, toimiala, jolla hän työskentelee, huollettavien lukumäärä, kuukausikulut, mahdolliset aikaisemmat lainat, kulutusmalli, luottotiedot jne. ja näiden tietojen perusteella meillä on taipumus laskea, annetaanko hänelle laina vai ei.
Luokitteluongelman ratkaisemiseksi käytetään monia tavanomaisia koneoppimisalgoritmeja. Logistinen regressio on yksi tällainen menetelmä, luultavasti eniten käytetty ja tunnetuin, myös vanhin. Tämän lisäksi meillä on myös joitain edistyneimmistä ja monimutkaisimmista malleista, jotka ulottuvat päätöksentekopuusta satunnaiseen metsään, AdaBoost, XP boost, tukivektorikoneet, naiivi pelastus ja hermoverkko. Parin viime vuoden aikana syvä oppiminen on ollut eturintamassa. Tyypillisesti hermoverkkoa ja syvää oppimista käytetään kuvien luokittelemiseen. Jos kissoista ja koirista on satatuhatta kuvaa ja haluat kirjoittaa koodin, joka erottaa kissat ja koirat automaattisesti, kannattaa ehkä tutkia syvällisiä oppimismenetelmiä, kuten konvoluutiohermoverkko. Taskulamppu, kahvila, anturivirtaus jne. Ovat joitain pythonin suosituimmista kirjastoista syvän oppimisen suorittamiseksi.
Regressiomallien tarkkuuden mittaamiseen käytetään mittareita, kuten väärä positiivinen määrä, väärin negatiivinen nopeus, herkkyys jne.
Regressio
Regressio on toinen koneoppimisessa esiintyvien ongelmien luokka, jossa yritämme ennustaa muuttujan jatkuvaa arvoa luokan sijasta, toisin kuin luokitteluongelmissa. Regressiotekniikoita käytetään yleensä ennustamaan osakekurssi, talon tai auton myyntihinta, tietyn esineen kysyntä jne. Kun myös aikasarjaominaisuudet tulevat peliin, regressio-ongelmista tulee erittäin mielenkiintoisia ratkaista. Lineaarinen regressio tavallisella pienimmällä neliöllä on yksi tämän alueen klassisista koneoppimisalgoritmeista. Aikasarjapohjaisessa kuviossa käytetään ARIMA: ta, eksponentiaalista liikkuvaa keskiarvoa, painotettua liikkuvaa keskiarvoa ja yksinkertaista liikkuvaa keskiarvoa.
Regressiomallien tarkkuuden mittaamiseen käytetään mittareita, kuten neliövirhe, absoluuttinen keskimääräinen neliövirhe, juurimitta neliövirhe jne.
Ennustava analyysi
Koneoppimisen ja ennustavan analysoinnin välillä on joitain päällekkäisyyksiä. Vaikka yleiset tekniikat, kuten logistinen ja lineaarinen regressio, kuuluvat sekä koneoppimiseen että ennustavaan analytiikkaan, edistyneet algoritmit, kuten päätöksentekopuu, satunnainen metsä jne., Ovat pohjimmiltaan koneoppimista. Ennustavassa analytiikassa ongelmien tavoite on edelleen hyvin kapea, kun tarkoituksena on laskea tietyn muuttujan arvo tulevana ajankohtana. Ennustava analytiikka ladataan voimakkaasti tilastoja, kun taas koneoppiminen on enemmän sekoitusta tilastoihin, ohjelmointiin ja matematiikkaan. Tyypillinen ennustava analyytikko viettää aikansa laskemalla t neliö, f tilastot, Innova, chi-neliö tai tavallinen pienin neliö. Kysymyksiä, esimerkiksi siitä, jakavatko tiedot normaalisti tai vinoon, jos opiskelijan t-jakaumaa tai soittokellojen käyrää käytetän, tulisi ottaa alfa 5%: n vai 10%: n virheestä koko ajan. He etsivät paholaista yksityiskohtaisesti. Koneoppiminen ei häiritse monia näistä ongelmista. Heidän päänsärky on täysin erilainen, he joutuvat juuttumaan tarkkuuden parantamiseen, väärien positiivisten nopeuksien minimointiin, ulkopuoliseen käsittelyyn, alueen normalisointiin tai k-kertaiseen validointiin.
Ennustava analyytikko käyttää enimmäkseen työkaluja, kuten excel. Skenaario tai tavoitehaku ovat heidän suosikki. He käyttävät toisinaan VBA: ta tai mikrota ja tuskin kirjoittavat mitään pitkää koodia. Koneoppimisinsinööri viettää kaiken aikaansa kirjoittaa monimutkaista koodia, joka on yhteisen käsityksen ulkopuolella, hän käyttää työkaluja, kuten R, Python, Saas. Ohjelmointi on heidän tärkein työ, virheiden korjaaminen ja testaaminen erilaisille maisemille päivittäinen rutiini.
Nämä erot tuovat myös merkittävän eron heidän kysyntään ja palkkaansa. Vaikka ennustavat analyytikot ovat niin eilen, koneoppiminen on tulevaisuus. Tyypilliselle koneoppimisinsinöörille tai tietojen tutkijalle (kuten nykyään kutsutaan useimmiten) maksetaan 60-80% enemmän kuin tyypilliselle ohjelmistosuunnittelijalle tai ennustavalle analyytikolle, ja he ovat avainasemassa nykypäivän teknologiamahdollisuuksissa maailmassa. Uber, Amazon ja nyt itse ajavat autot ovat myös mahdollisia vain niiden takia.
Head to Head -vertailu koneoppimisen ja ennakoivan analyysin välillä (infografia)
Alla on seitsemän parhainta vertailua koneoppimisen ja ennustavan analyysin välillä
Koneoppiminen vs. ennustavan Analytics-vertailutaulukko
Alla on yksityiskohtainen selitys koneoppimisesta vs ennakoivaan analyysiin
| Koneoppiminen | Ennustava analyysi |
| Se on yleinen termi, joka kattaa useita alakenttiä, mukaan lukien ennustava analytiikka. | Sitä voidaan pitää koneoppimisen osakenttänä. |
| Voimakkaasti koodattu. | Enimmäkseen vakio-ohjelmisto-suuntautuneita, joissa käyttäjän ei tarvitse koodata paljon itseään |
| Sen katsotaan syntyneen tietotekniikasta, ts. Tietotekniikkaa voidaan pitää tässä vanhempana. | Tilastoja voidaan tässä kohdella vanhemmina. |
| Se on huomisen tekniikka. | Se on eilen. |
| Se on kone, jota hallitsevat monet tekniikat, joita on vaikea ymmärtää, mutta jotka toimivat viehätyksenä kuten syvä oppiminen. | Käyttäjä hallitsee tekniikoita, joiden on oltava intuitiivisia käyttäjän ymmärtämiseksi ja toteuttamiseksi. |
| Käytetään työkaluja, kuten R, Python, SaaS. | Käytetään Excel, SPSS, Minitab. |
| Se on erittäin laaja ja laajenee jatkuvasti. | Sillä on hyvin rajoitettu soveltamisala ja soveltamisala. |
Johtopäätös - koneoppiminen vs ennakoiva analyysi
Edellä esitetystä sekä koneoppimisesta että ennakoivasta analytiikasta käydyn keskustelun perusteella on selvää, että ennustava analytiikka on pohjimmiltaan koneoppimisen alakenttä. Koneoppiminen on monipuolisempaa ja pystyy ratkaisemaan monenlaisia ongelmia.
Suositeltava artikkeli
Tämä on ollut opas koneoppimiseen ja ennakoivaan analytiikkaan, niiden merkitykseen, vertailusta pään ja pään välillä, keskeiset erot, vertailutaulukko ja johtopäätökset. Voit myös katsoa seuraavia artikkeleita saadaksesi lisätietoja -
- Opi Big Data Vs Machine Learning
- Ero datatieteen ja koneoppimisen välillä
- Ennustavan analyysivertailun ja tietotieteen vertailu
- Data Analytics vs. Ennustava analyysi - kumpi on hyödyllinen