Разница между машинным обучением и прогнозной аналитикой
Машинное обучение - это область компьютерных наук, которая в наши дни стремительно развивается. Недавний прогресс в аппаратных технологиях, который привел к огромному увеличению вычислительной мощности, такой как GPU (графические процессоры) и прогресс в нейронных сетях, машинное обучение стало модным словом. По сути, используя методы машинного обучения, мы можем создавать алгоритмы для извлечения данных и просмотра важной скрытой информации из них. Прогнозная аналитика также является частью области машинного обучения, которая ограничена для прогнозирования будущих результатов на основе данных, основанных на предыдущих шаблонах. Несмотря на то, что прогнозирующая аналитика использовалась более двух десятилетий в основном в банковском и финансовом секторах, в последнее время применение машинного обучения приобрело важное значение с помощью таких алгоритмов, как обнаружение объектов по изображениям, классификация текста и системы рекомендаций.
Машинное обучение
Машинное обучение внутренне использует статистику, математику и основы информатики для построения логики для алгоритмов, которые могут выполнять классификацию, прогнозирование и оптимизацию как в реальном времени, так и в пакетном режиме. Классификация и регрессия - два основных класса проблемы при машинном обучении. Давайте разберемся как в машинном обучении, так и в прогностической аналитике.
классификация
Под этими блоками проблемы мы склонны классифицировать объект на основе его различных свойств в один или несколько классов. Например, классификация клиента банка по критериям получения кредита на жилье или без таковой на основании его / ее кредитной истории. Обычно для клиента у нас имеются транзакционные данные, такие как его возраст, доход, образование, опыт работы, отрасль, в которой он работает, количество иждивенцев, ежемесячные расходы, предыдущие кредиты, если таковые имеются, структура его расходов, кредитная история и т. Д. и на основании этой информации мы будем рассчитывать, будет ли ему предоставлен кредит или нет.
Существует много стандартных алгоритмов машинного обучения, которые используются для решения проблемы классификации. Логистическая регрессия - один из таких методов, вероятно, наиболее широко используемый и наиболее известный, а также самый старый. Помимо этого у нас также есть некоторые из самых продвинутых и сложных моделей - от дерева принятия решений до случайного леса, AdaBoost, повышения XP, опорных векторных машин, простой байки и нейронной сети. Начиная с последних нескольких лет, глубокое обучение находится на переднем крае. Обычно нейронная сеть и глубокое обучение используются для классификации изображений. Если есть сотни тысяч изображений кошек и собак, и вы хотите написать код, который может автоматически разделять изображения кошек и собак, вы можете использовать методы глубокого обучения, такие как сверточная нейронная сеть. Факел, кафе, сенсорный поток и т. Д. - некоторые из популярных библиотек в python для глубокого изучения.
Для измерения точности регрессионных моделей используются такие показатели, как уровень ложноположительных результатов, уровень ложноотрицательных результатов, чувствительность и т. Д.
регрессия
Регрессия является еще одним классом проблем в машинном обучении, где мы пытаемся предсказать непрерывное значение переменной вместо класса, в отличие от задач классификации. Методы регрессии обычно используются для прогнозирования цены акции, продажной цены дома или автомобиля, спроса на определенный объект и т. Д. Когда свойства временных рядов также вступают в игру, проблемы регрессии становятся очень интересными для решения. Линейная регрессия с обычным наименьшим квадратом является одним из классических алгоритмов машинного обучения в этой области. Для шаблона на основе временных рядов используются ARIMA, экспоненциальная скользящая средняя, взвешенная скользящая средняя и простая скользящая средняя.
Для измерения точности регрессионных моделей используются такие метрики, как среднеквадратичная ошибка, абсолютная среднеквадратичная ошибка, ошибка квадратного корня и т. Д.
Прогнозная аналитика
Есть несколько областей, в которых пересекаются машинное обучение и прогностическая аналитика. В то время как общие методы, такие как логистическая и линейная регрессия, подпадают под действие как машинного обучения, так и прогнозной аналитики, такие сложные алгоритмы, как дерево решений, случайный лес и т. Д., По сути являются машинным обучением. В прогнозирующей аналитике цель проблем остается очень узкой, когда цель состоит в том, чтобы вычислить значение конкретной переменной в будущем. Прогнозная аналитика сильно загружена статистикой, в то время как машинное обучение представляет собой смесь статистики, программирования и математики. Типичный прогнозирующий аналитик тратит свое время на вычисление t-квадрата, f-статистики, Innova, хи-квадрата или обычного наименьшего квадрата. Такие вопросы, как, как обычно, данные распределены или искажены, если будет использовано распределение ученика или будет использована кривая колокольчиков, если альфа принимается на уровне 5% или 10%, постоянно вызывают их ошибку. Они ищут дьявола в деталях. Инженер машинного обучения не заботится о многих из этих проблем. Головная боль у них совершенно иная, они застряли на повышении точности, ложноположительной минимизации скорости, обработке выбросов, нормализации диапазона или k-кратной проверке.
Прогнозирующий аналитик в основном использует такие инструменты, как Excel. Сценарий или цель поиска являются их любимыми. Они иногда используют VBA или микро-и едва ли пишут длинный код. Инженер машинного обучения тратит все свое время на написание сложного кода, выходящего за рамки общего понимания, он использует такие инструменты, как R, Python, Saas. Программирование - это их основная работа, исправление ошибок и ежедневное тестирование на различных ландшафтах.
Эти различия также приносят большую разницу в их спросе и заработной плате. В то время как аналитики прогнозируют вчерашний день, машинное обучение - это будущее. Типичный инженер по машинному обучению или специалист по данным (как это обычно называют в наши дни) получают на 60-80% больше, чем типичный инженер по программному обеспечению или аналитик по прогнозированию в этом отношении, и они являются ключевым фактором в современном мире, где есть технологии. Uber, Amazon и теперь автомобили с самостоятельным вождением также возможны только благодаря им.
Сравнение лицом к лицу между машинным обучением и прогнозной аналитикой (инфографика)
Ниже приведены 7 лучших сравнений между машинным обучением и прогнозной аналитикой.
Сравнительная таблица машинного обучения и прогнозной аналитики
Ниже приводится подробное объяснение машинного обучения против прогнозирующей аналитики.
| Машинное обучение | Прогнозная аналитика |
| Это общий термин, охватывающий различные подполя, включая прогнозную аналитику. | Это можно рассматривать как подполе машинного обучения. |
| Сильно ориентированный на кодирование. | В основном стандартные программно-ориентированные, где пользователю не нужно много кода самому |
| Считается, что она возникла из информатики, то есть информатику здесь можно рассматривать как родителя. | Статистика может рассматриваться здесь как родительская. |
| Это технология завтрашнего дня. | Это так вчера. |
| Это машина, в которой доминируют многие техники, которые трудно понять, но работают как обаяние, как глубокое обучение. | В нем преобладают методы, которые должны быть интуитивно понятны для понимания и реализации пользователем. |
| Используются такие инструменты, как R, Python, SaaS. | Excel, SPSS, Minitab используются. |
| Он очень широк и постоянно расширяется. | У него очень ограниченная сфера применения. |
Вывод - машинное обучение против прогнозной аналитики
Из приведенного выше обсуждения, посвященного как машинному обучению, так и прогнозной аналитике, становится ясно, что прогностическая аналитика - это, в основном, область машинного обучения. Машинное обучение более универсально и способно решать широкий круг задач.
Рекомендуемая статья
Это было руководство по машинному обучению и прогнозной аналитике, их значению, сравнению «голова к голове», ключевым различиям, сравнительной таблице и выводам. Вы также можете посмотреть следующие статьи, чтобы узнать больше -
- Изучайте большие данные против машинного обучения
- Разница между наукой о данных и машинным обучением
- Сравнение прогнозирующей аналитики с наукой о данных
- Аналитика данных против прогнозной аналитики - какая из них полезна