Cos'è semi-supervised machine learning
Il semi-supervised machine learning è un algoritmo di apprendimento semi supervisionato. Elabora un dataset composto da esempi per produrre un modello statistico. La maggior parte degli esempi del dataset non sono etichettati. Soltanto alcuni esempi sono etichettati (label).
Sono algoritmi simili al machine learning supervisionato.
Tuttavia, durante l'addestramento la macchina può elaborare soltanto di alcuni esempi con le risposte corrette.
Qual è lo scopo del semi-supervised learning
L'obiettivo del machine learning semi-supervisionato è la costruzione di un modello statistico.
Il modello è usato per classificare nuovi dati (classificazione) o per prevedere l'andamento di una variabile (regressione).
E' lo stesso obiettivo del ML supervised.
Qual è la differenza tra classification e regression? Nella classificazione l'algoritmo ML risponde con una classe (categoria). Nella regressione l'algoritmo ML risponde con un numero reale.
Quali sono i vantaggi del ML semi-supervisionato
Gli esempi non etichettati permettono alla macchina di produrre un modello più flessibile rispetto all'apprendimento supervisionato.
Gli esempi etichettati forniscono un'indicazione di partenza.
Esempio. Nel ML supervised tutti gli esempi sono etichettati e le classi sono predefinite. Se la classificazione iniziale è errata, il modello statistico non può compensare l'errore. Nel ML semi-supervised, invece, i dati senza etichetta permettono all'algoritmo di migliorare la classificazione.
