Supervised learning

Wat is Supervised learning?

Supervised learning is een vorm van machine learning waarbij een computer leert uit voorbeelden.

Je geeft het systeem een reeks gegevens (input) samen met het juiste antwoord (output). De computer leert dan het verband tussen die twee. Zo kan het later zelf voorspellingen doen voor nieuwe gegevens waarvan het het antwoord nog niet kent.

Een eenvoudig voorbeeld: je toont een model duizenden foto’s van katten en honden, waarbij je telkens zegt wat wat is. Na verloop van tijd leert het systeem de verschillen herkennen. Als je daarna een nieuwe foto toont, kan het zeggen of het een kat of hond is.

Geef je het supervised learning model vervolgens een foto van een giraf dan zal het nog steeds proberen het te classificeren als een hond of kant. Het model kent het concept "giraf" nog niet omdat het hiervoor niet getraind is. Dat is meteen de grootste beperking van supervised learning. Het is heel goed en heel efficiënt in een bepaalde taak maar het model beperkt zich ook grotendeels tot enkel die taak.

Supervised learning wordt gebruikt voor dingen zoals e-mailspamdetectie, prijsvoorspelling, gezichtsherkenning of het inschatten van kredietrisico’s.

Het is leren met begeleiding, omdat je het systeem de juiste antwoorden toont tijdens de training.

Use cases van supervised learning

Vaak voorkomende use cases van supervised learning zijn:

• Classificatie – iets in een categorie plaatsen.

  • E-mails als “spam” of “geen spam” aanduiden

  • Foto’s herkennen (kat, hond, auto…)

  • Ziekte wel of niet aanwezig in medische beelden

• Voorspelling (regressie) – een numerieke waarde schatten.

  • Verkoop of omzet voorspellen

  • De prijs van een woning inschatten

  • Vraag naar producten berekenen

• Sentimentanalyse – bepalen of een tekst positief, negatief of neutraal is.

  • Klantreviews of sociale media analyseren

• Kredietscore en risicobeoordeling

  • Banken gebruiken modellen om te voorspellen of iemand een lening kan terugbetalen

• Fraudedetectie

  • Ongewone transacties herkennen in bank- of verzekeringsdata

• Productaanbevelingen

  • Suggesties doen op basis van eerder gedrag of aankopen

Supervised learning wordt gebruikt telkens wanneer er veel voorbeelden bestaan mét het juiste antwoord erbij, zodat het model kan leren om die logica zelf toe te passen.

Voordelen van supervised learning

Nauwkeurige resultaten: als er genoeg goede trainingsdata is, kunnen modellen zeer betrouwbare voorspellingen doen.

Duidelijke structuur: omdat elk voorbeeld een juist antwoord heeft, is het eenvoudig te meten hoe goed het model presteert.

Breed inzetbaar: het werkt voor veel soorten problemen, van beeldherkenning tot financiële voorspellingen.

Snellere training: het leerproces is efficiënt omdat het model voortdurend feedback krijgt over wat juist of fout is.

Nadelen van supervised learning

• Veel gelabelde data nodig: het maken van trainingsdata met juiste antwoorden kost tijd en geld.

• Beperkt tot wat je hebt geleerd: het model leert enkel patronen die in de data zaten, dus het kan moeilijk omgaan met totaal nieuwe situaties.

• Risico op bias: als de trainingsdata fouten of vooroordelen bevat, neemt het model die over.

• Overfitting: het model kan te sterk leren van de trainingsdata en daardoor slechter presteren op nieuwe gegevens.

Supervised learning werkt goed als je veel goede voorbeelden hebt, maar het is minder geschikt wanneer data schaars, onvolledig of sterk veranderend is.