Comparación lado a lado entre aprendizaje supervisado y aprendizaje semisupervisado. Entienda en qué se diferencia aprender a partir de ejemplos etiquetados de combinar datos etiquetados y no etiquetados.
Veredicto rápido: Use aprendizaje supervisado cuando existan ejemplos entrada-salida etiquetados; use aprendizaje semisupervisado cuando las etiquetas sean limitadas pero los datos no etiquetados puedan mejorar el entrenamiento.
Supervised Learning describes machine learning approach in which a model learns from examples that pair inputs with known target outputs or labels.
Contexto: Más relevante cuando existen ejemplos etiquetados fiables para la tarea.
Semi-Supervised Learning summarizes machine learning approach that uses both labeled and unlabeled data during training.
Contexto: Más relevante cuando un conjunto pequeño de datos etiquetados puede combinarse con datos no etiquetados más amplios para mejorar el rendimiento.
| Aspecto | Supervised Learning | Semi-Supervised Learning |
|---|---|---|
| Propósito | El aprendizaje supervisado aprende correspondencias entre entradas y etiquetas o salidas objetivo conocidas. | El aprendizaje semisupervisado usa conjuntamente datos etiquetados y no etiquetados para mejorar la representación, la clasificación o la predicción. |
| Cuándo usarlo | Úselo cuando haya suficientes ejemplos etiquetados y fiables para la tarea. | Úselo cuando las etiquetas sean costosas o limitadas, pero existan mayores volúmenes de datos no etiquetados relevantes. |
| Requisitos de datos | Requiere ejemplos etiquetados que emparejen entradas con salidas objetivo o etiquetas. | Requiere algunos ejemplos etiquetados más datos no etiquetados que puedan ayudar al modelo a aprender estructura útil. |
| Compromisos | Puede ser más fácil de validar porque las etiquetas definen el objetivo de aprendizaje, pero el etiquetado puede ser caro. | Puede reducir la carga de etiquetado, pero introduce supuestos adicionales sobre la calidad y representatividad de los datos no etiquetados. |
| Error común | Un error común es ignorar la calidad de las etiquetas y tratarlas como verdad de referencia sin revisión. | Un error común es asumir que cualquier dato no etiquetado mejorará el rendimiento. |
| Implicación de gobernanza | La gobernanza debe centrarse en la procedencia de las etiquetas, su calidad, la definición de la tarea y la validación del rendimiento. | La gobernanza también debe evaluar las fuentes de datos no etiquetados, su representatividad y el efecto de esos datos sobre el comportamiento del modelo. |
En la práctica, el aprendizaje semisupervisado es atractivo cuando etiquetar es costoso, pero no es un atajo para evitar la gobernanza de datos. Los datos no etiquetados también moldean el modelo y deben tratarse como parte de la base probatoria.
Asumir que el aprendizaje supervisado es fiable solo porque existen etiquetas.
Usar datos no etiquetados en aprendizaje semisupervisado sin comprobaciones de representatividad.
No documentar cómo se seleccionaron los datos etiquetados y no etiquetados.
Comparar modelos sin tener en cuenta las distintas fuentes de datos.
Use aprendizaje supervisado cuando el proceso de entrenamiento dependa de ejemplos etiquetados que definen las salidas esperadas. Es adecuado para tareas de clasificación, regresión y predicción con etiquetas objetivo fiables.
Use aprendizaje semisupervisado cuando los datos etiquetados sean limitados pero los datos no etiquetados puedan ayudar al modelo a aprender representaciones útiles o mejorar predicciones. Debe estar respaldado por evidencia de que los datos no etiquetados son relevantes y no perjudiciales.
La gobernanza de datos y la evidencia de validación son importantes en ambos enfoques. Bajo controles alineados con ISO/IEC 42001 y NIST AI RMF, los equipos deben documentar la calidad de las etiquetas, la procedencia de los datos, las limitaciones del conjunto de datos y la evidencia de rendimiento.
El aprendizaje supervisado usa ejemplos etiquetados con salidas conocidas. El aprendizaje semisupervisado usa tanto datos etiquetados como no etiquetados durante el entrenamiento.
Es útil cuando los ejemplos etiquetados son costosos o limitados pero existen datos no etiquetados disponibles y relevantes. Esos datos pueden ayudar a mejorar la representación, la clasificación o la predicción.
No. Sigue usando datos etiquetados, pero los combina con datos no etiquetados. Los ejemplos etiquetados ayudan a guiar el proceso de aprendizaje.
No recently viewed comparisons yet.