Контрольована класифікація, як правило, більш точна, оскільки користувач має контроль над процесом класифікації; однак це вимагає більше зусиль і досвіду. Неконтрольована класифікація використовує алгоритм кластеризації для автоматичного групування пікселів із подібними спектральними властивостями.
Класифікація: Класифікація є типом кероване машинне навчання де мета полягає в тому, щоб передбачити, до яких категорій або класів належать нові дані, на основі попередньо визначених категорій або класів. Регресія: у регресії модель забезпечує безперервну вихідну змінну на основі однієї або кількох вхідних змінних.
Ітеративний процес кластеризації призводить до попередньо встановленої кількості «спектральних класів», яким потім можна призначити мітки класів і стати «інформаційними класами». Особливо корисною є класифікація без нагляду коли польові дані або попередні знання про область дослідження недоступні.
Алгоритм навчання під наглядом навчатиметься на позначених зображеннях собак і котів, а потім зможе правильно позначати нові зображення, яких він раніше не бачив. Алгоритм неконтрольованого навчання, з іншого боку, намагається знайти приховані шаблони або внутрішні структури в даних.
Boghuis та ін. (2007) виявили, що точність контрольованої класифікації коливається від 15,7 до 39,4 відсотка, тоді як діапазон точності неконтрольованої класифікації коливається від 53,3 до 63,1 відсотка. Однак більша кількість досліджень виявила контрольована класифікація, щоб бути точнішою.
Найбільша різниця між керованим і неконтрольованим машинним навчанням полягає в тому тип використовуваних даних. Контрольоване навчання використовує позначені навчальні дані, а неконтрольоване – ні. Простіше кажучи, моделі навчання під наглядом мають базове розуміння того, якими мають бути правильні вихідні значення.