Hvad er supervised og unsupervised learning?

Supervised learning er maskinlæring med mærkede eksempler, hvor modellen lærer at forudsige et kendt svar. Unsupervised learning bruger data uden facitliste og finder mønstre, grupper eller strukturer. Forskellen handler især om labels, mål, evaluering og hvor tydeligt problemet kan beskrives på forhånd.

Hvad betyder supervised og unsupervised learning?

Supervised og unsupervised learning er to grundlæggende måder at træne maskinlæringsmodeller på. I supervised learning får modellen eksempler, hvor både input og korrekt output er kendt. I unsupervised learning får modellen inputdata uden et på forhånd angivet korrekt svar.

Hvis en model trænes på e-mails, hvor hver e-mail er mærket som spam eller ikke spam, er det supervised learning. Hvis en model får en stor mængde kundedata og skal finde grupper med lignende adfærd uden foruddefinerede grupper, er det unsupervised learning.

Begge tilgange hører til machine learning, men de løser forskellige typer problemer. Supervised learning er bedst, når målet er at forudsige noget bestemt. Unsupervised learning er bedst, når målet er at opdage struktur, segmenter, mønstre eller afvigelser i data.

Hvad er et label i machine learning?

Et label er det svar, modellen forsøger at lære. I et datasæt med boligoplysninger kan features være størrelse, beliggenhed, byggeår og energimærke, mens label kan være salgspris. I et billeddatasæt kan features være pixelværdier, mens label kan være kat, hund eller bil.

Google beskriver supervised learning som træning på mærkede eksempler, hvor eksemplet indeholder både features og et label. Når modellen senere bruges på nye data, kan de nye eksempler være uden label, fordi modellen netop skal forudsige svaret.

Labels er ikke bare tekniske felter i et regneark. De repræsenterer en beslutning om, hvad der tæller som korrekt svar. Hvis labels er upræcise, forældede, skæve eller inkonsistente, lærer modellen et uklart mønster. Derfor begynder mange supervised projekter med datakvalitet og labelkvalitet, ikke med valg af algoritme.

Hvordan fungerer supervised learning?

I supervised learning trænes modellen på historiske eksempler, hvor svaret er kendt. Under træningen sammenlignes modellens forudsigelse med det rigtige label. Forskellen mellem de to bruges til at justere modellen, så den gradvist bliver bedre til at finde sammenhængen mellem input og output.

Processen kan forenkles i fem trin:

1. Indsaml eksempler, der ligner den opgave, modellen senere skal løse.
2. Tilføj eller kontroller labels, så hvert træningseksempel har et kendt svar.
3. Opdel data i træning, validering og test, når datamængden tillader det.
4. Træn modellen på træningsdata og juster modelvalg eller indstillinger.
5. Evaluer modellen på data, den ikke har lært direkte fra.

Det centrale er generalisering. En supervised model er ikke nyttig, fordi den kan huske træningsdata. Den er nyttig, hvis den kan give fornuftige forudsigelser på nye tilfælde, der ligner det mønster, den er trænet på.

Hvad bruges supervised learning til?

Supervised learning bruges, når du har historiske eksempler med kendte svar og vil forudsige samme type svar i nye tilfælde. De to mest almindelige opgavetyper er klassifikation og regression.

Klassifikation handler om at vælge en kategori. Eksempler er spamfilter, billedklassifikation, kundetype, fejltype, svindelmistanke eller om en supporthenvendelse skal sendes til en bestemt afdeling. Regression handler om at forudsige en talværdi, for eksempel efterspørgsel, pris, leveringstid, energiforbrug eller sandsynligt salg.

Supervised learning er ofte lettere at forklare og evaluere end unsupervised learning, fordi man kan sammenligne forudsigelser med kendte svar. Til gengæld kræver det labels, og labels kan være dyre, langsomme eller vanskelige at skaffe.

Hvordan fungerer unsupervised learning?

Unsupervised learning arbejder med data uden facitliste. Modellen får ikke at vide, hvad det rigtige svar er. Den forsøger i stedet at finde mønstre i data, for eksempel grupper, afstande, sammenhænge, komprimerede repræsentationer eller usædvanlige datapunkter.

Clustering er den mest kendte type. Her grupperes datapunkter, der ligner hinanden efter en matematisk afstand eller lighed. Scikit-learn beskriver clustering som gruppering af unlabeled data og dokumenterer metoder som K-Means, DBSCAN, hierarkisk clustering og Gaussian mixtures. Metoderne gør forskellige antagelser om, hvordan data ser ud, og de kan give forskellige resultater på samme datasæt.

Unsupervised learning kan også bruges til dimensionality reduction, hvor mange features komprimeres til færre dimensioner, så mønstre bliver lettere at analysere. I moderne AI hænger det tæt sammen med repræsentationer som AI embeddings, hvor tekst, billeder eller andre data omsættes til talvektorer, som kan sammenlignes matematisk.

Hvad bruges unsupervised learning til?

Unsupervised learning bruges især, når organisationen har data, men ikke tydelige labels. Det kan være kundeadfærd, produktkøb, transaktionsmønstre, sensorlogfiler, tekstsamlinger, billeder eller brugerhandlinger. Formålet er ofte at forstå datastrukturen, ikke at forudsige et bestemt kendt svar.

Typiske anvendelser er segmentering, anomaly detection, mønsteropdagelse, topic discovery, datakomprimering og forberedelse af features til andre modeller. I kundeanalyse kan unsupervised learning finde grupper med lignende adfærd, selv om ingen på forhånd har defineret segmenterne. I driftsovervågning kan metoden finde målinger, der afviger fra normale mønstre.

Resultatet skal dog fortolkes forsigtigt. En cluster er ikke automatisk en meningsfuld forretningskategori. Den er en matematisk gruppering ud fra de valgte data, features, afstandsmål og algoritmeindstillinger. Derfor bør unsupervised learning ofte kombineres med faglig vurdering, visualisering og efterfølgende test.

Hvad er den vigtigste forskel i data og mål?

Den vigtigste forskel er, om du har et kendt svar, som modellen skal lære. Supervised learning kræver labels og et tydeligt mål: forudsig kategori, talværdi, sandsynlighed eller rangering. Unsupervised learning kræver ikke labels, men målet er mere åbent: find struktur, grupper, mønstre eller afvigelser.

Hvis spørgsmålet er, om en ny kunde sandsynligvis vil opsige sit abonnement, peger det mod supervised learning, hvis historiske opsigelser findes som label. Hvis spørgsmålet er, om kundebasen rummer naturlige adfærdsgrupper, peger det mod unsupervised learning.

Hvordan evaluerer man modellerne?

Supervised learning kan evalueres relativt direkte, fordi der findes et kendt svar. En klassifikationsmodel kan måles med accuracy, precision, recall eller F1-score, afhængigt af hvad fejl koster. En regressionsmodel kan måles med for eksempel mean absolute error, mean squared error eller R2, afhængigt af opgaven.

Scikit-learn dokumenterer en vigtig grundregel: en model bør ikke vurderes på de samme data, som den er trænet på. Hvis den gør det, kan den se god ud, fordi den har lært detaljer i træningssættet uden at kunne generalisere. Derfor bruges test set, validation set eller cross-validation til at måle performance på data, modellen ikke har brugt direkte til træning.

Unsupervised learning er sværere at evaluere, fordi der ikke findes en enkel facitliste. Man kan bruge interne mål for clusterkvalitet, stabilitet på nye datasnit, visualisering, downstream-test eller faglig vurdering. Hvis en kundesegmentering ikke fører til bedre forståelse, bedre beslutninger eller mere præcise efterfølgende modeller, er den ikke nødvendigvis nyttig, selv om den ser matematisk pæn ud.

Hvornår vælger du den ene tilgang frem for den anden?

Valget bør starte med opgavens spørgsmål. Hvis du kan formulere et konkret svar, som findes i historiske data, er supervised learning ofte første valg. Hvis du først prøver at forstå datasættet, finde skjulte grupper eller opdage afvigelser, er unsupervised learning ofte mere relevant.

En praktisk beslutningsrækkefølge kan være:

1. Definer, om målet er forudsigelse eller mønsteropdagelse.
2. Undersøg, om der findes pålidelige labels for det, modellen skal lære.
3. Vurder, om labels kan skaffes uden urimelig pris, ventetid eller bias.
4. Kontroller, om datagrundlaget er repræsentativt for den situation, modellen skal bruges i.
5. Beslut, hvordan resultatet skal evalueres, før modellen trænes.

Hvis du ikke kan definere et evaluerbart mål, bør du ikke springe direkte til en kompliceret model. Ofte giver data-processering, datarensning og eksplorativ analyse mere værdi i den tidlige fase.

Kan metoderne kombineres?

Ja. Mange praktiske AI-systemer kombinerer supervised og unsupervised elementer. Unsupervised learning kan bruges til at finde mønstre, reducere dimensioner eller danne features, som senere indgår i en supervised model. Omvendt kan supervised modeller bruges til at give mening til grupper, som en unsupervised metode har fundet.

Semi-supervised learning ligger mellem de to tilgange. Her har nogle eksempler labels, mens andre ikke har. Google beskriver semi-supervised learning som træning på data, hvor en del af eksemplerne har labels, og andre ikke har. Det kan være nyttigt, når labels er dyre, men unlabeled data er lette at skaffe.

Self-supervised learning bruger dataene selv til at skabe et træningssignal. Det er en vigtig idé i mange moderne AI-systemer, fordi store datamængder ofte ikke er manuelt mærket. Metoden ændrer dog ikke den grundlæggende skelnen: spørgsmålet er stadig, hvor læringssignalet kommer fra, og hvordan resultatet kan evalueres.

Hvilke fejl opstår ofte i praksis?

Den første fejl er at vælge supervised learning uden at undersøge labels. Labels kan være skabt af mennesker med forskellige kriterier, historiske processer eller gamle forretningsregler. Hvis de indeholder systematiske skævheder, kan modellen gentage dem. Det er relevant i områder som rekruttering, kredit, sagsprioritering og kundevurdering.

Den anden fejl er at overvurdere unsupervised resultater. En clusteranalyse kan altid finde grupper, hvis algoritmen tvinges til det. Det betyder ikke, at grupperne er stabile, årsagsforklarende eller praktisk nyttige. Derfor bør grupper testes på nye data, diskuteres med domænepersoner og holdes adskilt fra konklusioner, som ikke følger af analysen.

Den tredje fejl er at springe datagrundlaget over. Begge metoder afhænger af, hvordan data er indsamlet, renset, repræsenteret og opdateret. Emner som data mining og datakvalitet er derfor ikke forarbejde i periferien. De former direkte, hvad modellen kan lære.

Hvordan hænger begreberne sammen med moderne AI?

Moderne AI bruger ofte flere læringsformer i samme system. En billedmodel kan være fortrænet på store datamængder, finjusteret på mærkede eksempler og derefter brugt i en konkret klassifikationsopgave. En sprogmodel kan være trænet på store tekstmængder og senere tilpasset med menneskelig feedback eller domænespecifikke data.

Derfor er supervised og unsupervised learning bedst forstået som grundbegreber, ikke som lukkede produktkategorier. De forklarer, hvor læringssignalet kommer fra, og hvilket problem modellen forsøger at løse. Det gør begreberne nyttige, selv når den konkrete model er en hybrid.

Begrebet hænger også sammen med syntetiske data i maskinlæring. Kunstigt skabte data kan bruges til træning, test eller databalancering, men de erstatter ikke automatisk gode labels, repræsentativt datagrundlag eller realistisk evaluering.

Hvilken metode passer bedst til konkrete dataprojekter?

I et dataprojekt bør metodevalget kobles til den beslutning, modellen skal støtte. Hvis en model skal give et svar, der kan være rigtigt eller forkert i forhold til kendt historik, er supervised learning ofte relevant. Hvis projektet skal udforske et ukendt datasæt og finde mulige strukturer, er unsupervised learning mere naturligt.

Eksempler på supervised valg er svindeldetektion med kendte historiske svindelsager, prognoser for efterspørgsel, billedklassifikation med mærkede billeder eller prioritering af kundehenvendelser med kendte udfald. Eksempler på unsupervised valg er kundesegmentering, dokumentgruppering, embeddings-baseret søgning, outlier detection og komprimering af mange features.

Hvis opgaven både kræver opdagelse og forudsigelse, kan man starte med unsupervised analyse og derefter bygge en supervised model på et mere veldefineret mål. Den rækkefølge er ofte mere robust end at låse sig fast på en algoritme, før dataproblemet er forstået.

Hvilke kilder ligger til grund?

Artiklen bygger på Google for Developers’ forklaring af supervised learning og Googles Machine Learning Glossary om labeled examples, semi-supervised learning og self-supervised learning. De tekniske beskrivelser er sammenholdt med scikit-learns dokumentation for supervised learning-metoder, clustering af unlabeled data og cross-validation.