¿Por qué el algoritmo de agrupación k-means se considera un algoritmo de aprendizaje no supervisado? ¿Qué es “aprender”? ¿No es solo otro algoritmo codicioso?

Supongamos que tienes 200 fotos de dos tipos de guitarras. Ahora, cuando cuantificas las imágenes, digamos, por ejemplo, la relación ancho / alto de las guitarras, tienes 200 puntos de datos. Cuando realiza una agrupación de k-medias en estos 200 puntos con ‘k’ configurada en dos, obtiene dos valores medios de la relación de ancho a altura (digamos, la media A y la media B), que representa los dos tipos de guitarras bastante bien.

El proceso de esta agrupación de hecho es un método codicioso. Pero el resultado del proceso de agrupación es que su sistema ha aprendido sobre las dos clases de guitarras y que están representadas por solo dos valores numéricos.

Ahora, suponga que obtiene una nueva imagen de una guitarra (imagen número 201) y desea saber qué tipo de guitarra es, su sistema calcula la relación entre el ancho y la altura de la guitarra y la compara con solo los dos valores medios (media A y Media B) su sistema aprendió del proceso de agrupación de k-means en el ‘entrenamiento de 200 puntos de datos’. Su máquina encuentra cuál de los dos medios está más cerca de los datos de relación de la imagen 201 y luego le dice a qué tipo de guitarra pertenece esta 201 guitarra, ya sea de tipo A representada por la media A o tipo B representada por la media B .

Por lo tanto, su sistema utiliza lo que ha aprendido de las 200 imágenes de ejemplo de dos tipos de guitarra para clasificar una nueva imagen de una guitarra.

Ahora, en todo el proceso, no le dijo a su sistema sobre la categoría de guitarra de cada una de las 200 imágenes de ejemplo que tenía, es decir, su sistema no sabía si una imagen de las 200 imágenes es de una guitarra española o una Les Paul electric. Tampoco le dijo a su sistema que, de las 200 imágenes de guitarra, cuántas imágenes de ejemplo tiene de guitarras españolas y cuántas de las guitarras Les Paul. Solo le dijo a su sistema que tiene 200 imágenes y que son de dos tipos. Cuando su máquina clasifica una nueva imagen de guitarra, la clasificará como Tipo A o Tipo B. Pero no le dirá si es una Guitarra española o una guitarra Les Paul directamente ya que su sistema no sabía sobre el tipo exacto de cada una de ellas. Las 200 imágenes de ejemplo.

Por lo tanto, se llama aprendizaje no supervisado .

Existen principalmente dos métodos de aprendizaje:

• Aprendizaje supervisado
• Aprendizaje sin supervisión

El aprendizaje supervisado es la máquina. tarea de aprendizaje de inferir una función a partir de datos de entrenamiento etiquetados. Los datos de entrenamiento consisten en un conjunto de ejemplos de entrenamiento. En supervisado En el aprendizaje, cada ejemplo es un par que consiste en un objeto de entrada (típicamente un vector) y un valor de salida deseado (también llamado señal de supervisión).

El aprendizaje no supervisado es un tipo de algoritmo de aprendizaje automático utilizado para extraer inferencias de conjuntos de datos que consisten en datos de entrada sin respuestas etiquetadas. Los más comunes sin supervisión El método de aprendizaje es el análisis de conglomerados, que se utiliza para el análisis exploratorio de datos para encontrar patrones ocultos o agrupación de datos.

La agrupación de k-medias tiene como objetivo dividir n observaciones en k agrupaciones en las que cada observación pertenece al grupo con la media más cercana, sirviendo como un prototipo del grupo . Ahora k significa es solo un algoritmo de clasificación sin tener etiquetas o clases predefinidas en lugar de agrupar los puntos de datos en una clase / grupo similar. Mientras que en el método supervisado especificamos diferentes clases durante el aprendizaje. Es por eso que K-Means es un algoritmo de aprendizaje no supervisado.

Ahora k significa algoritmo mientras el entrenamiento con datos de entrenamiento forma grupos o grupos y clasifica los datos en diferentes grupos. Esto se conoce como aprendizaje.

Espero haber podido responder correctamente. Señale cualquier cosa que haya escrito mal.

Gracias.

K-means es un algoritmo de agrupamiento, que es un algoritmo de aprendizaje no supervisado. El aprendizaje no supervisado contiene todos los modelos exploratorios, incluidos muchos algoritmos de agrupamiento. Aprender solo significa que se realiza una optimización en un criterio dado para particionar datos o ajustar un modelo. K-means optimiza dentro de la varianza del clúster y entre la varianza del clúster.