2、机器学习中的监督学习与无监督学习

机器学习中的监督学习与无监督学习

1. 机器学习在实际问题中的应用

在处理电子邮件垃圾邮件过滤问题时，我们可以摒弃基于规则的方法，转而采用机器学习。通过对电子邮件数据进行训练，机器学习能够自动生成规则，准确地将恶意邮件标记为垃圾邮件。而且，基于机器学习的系统还能随时间自动调整，其训练和维护成本也更低。

不过，对于一些简单的问题，手动编写规则或许可行，但在很多情况下，手动编写规则是不可行的。例如，设计自动驾驶汽车时，要为汽车在各种情况下的行为制定规则，这几乎是一个无法解决的难题，除非汽车能够根据自身经验进行学习和适应。

此外，机器学习系统还可以作为探索或数据发现工具，帮助我们更深入地了解待解决的问题。以电子邮件垃圾邮件过滤为例，我们可以通过机器学习了解哪些单词或短语最能预测垃圾邮件，并识别新出现的恶意垃圾邮件模式。

2. 监督学习与无监督学习的区别

机器学习领域主要分为监督学习和无监督学习两大分支，还有许多连接两者的子分支。

2.1 监督学习

在监督学习中，AI 代理可以获取标签，这些标签有助于它在某些任务上提高性能。以电子邮件垃圾邮件过滤问题为例，我们有一个包含每封邮件文本的数据集，并且知道哪些邮件是垃圾邮件（即标签）。这些标签对于监督学习的 AI 区分垃圾邮件和正常邮件非常有价值。

2.2 无监督学习

在无监督学习中，没有可用的标签。因此，AI 代理的任务定义不明确，性能也难以清晰衡量。同样以电子邮件垃圾邮件过滤问题为例，在没有标签的情况下，AI 代理会尝试理解邮件的底层结构，将邮件数据库分成不同的组，使得组内的邮件彼此相似，但与其他组的邮件不同。