机器学习——认识有监督学习与无监督学习

目录

有监督学习与无监督学习

有监督学习

无监督学习

监督学习与无监督学习的区别

---

有监督学习与无监督学习

有监督学习和无监督学习是机器学习中的两种主要学习方式，它们的主要区别在于数据的标注情况和学习的目标。

有监督学习

有监督学习中，数据集中的每个样本都有明确的标签或目标输出。学习的目标是通过对有标签数据的学习，建立输入特征和输出标签之间的映射关系，以便能够对新的、未见过的输入数据预测其相应的输出标签。常见的有监督学习任务包括分类（如判断邮件是否为垃圾邮件）和回归（如预测房价）。

无监督学习

无监督学习中，数据集中的样本没有明确的标签或目标输出。学习的目标是从数据本身中发现潜在的模式、结构或规律。常见的无监督学习任务包括聚类（如将客户分组）和降维（如减少数据的特征数量）。

监督学习与无监督学习的区别

两者的主要区别总结如下：

1. 数据标注：有监督学习的数据有标注，无监督学习的数据无标注。

2. 学习目标：有监督学习是预测标签或目标值，无监督学习是发现数据中的模式和结构。

3. 评估方法：有监督学习通常使用准确率、召回率、均方误差等指标评估模型性能；无监督学习常用的评估方法如轮廓系数（对于聚类）等，往往不如有监督学习的评估指标直接和明确。

4. 应用场景：有监督学习适用于已知有明确输出且需要进行预测的任务；无监督学习适用于探索性数据分析、数据预处理等。