监督学习和无监督学习

监督学习

定义：利用已知的输入和输出数据来训练模型，使其能够对未知数据进行准确的预测

举例：有一个水果摊，摊主希望在进货时能快速识别水果，这时候需要一个机器对水果进行分类，但是机器不知道水果长什么样，于是摊主就收集了大量水果的照片，包括苹果、香蕉、橙子和葡萄等。每张照片都被标记为相应的水果类型。机器经过反复的看，形成肌肉记忆，可以对各类水果形成自己的定义，然后机器就可以准确的对水果进行分类。

在这个例子中各种水果的照片就是标签，反复地看就是训练，肌肉记忆就是模型

算法分类

1. 回归模型：根据先前的观测数据来预测数值，常见算法：线性回归、逻辑回归、多项式回归等，常见例子：薪水、体重……
2. 分类模型：分析预测数据的类别，常见例子：垃圾分类、垃圾邮件检测……

无监督学习

定义：训练数据没有标签和分类，只能靠机器自行学习

举例：还是之前的例子，只不过不告诉机器这是苹果那个是香蕉，而是让它直接进行分类

算法分类

1. 聚类：将未标记的数据组织成类似的组，主要目标是发现数据点中的相似性，常用于图像处理、个性化推荐……
2. 异常检测：识别与大多数数据显著不同的特殊项、事件或观测值的方法。常用于健康检测、质量控制……

区别和优点

图片来源  监督学习和无监督学习 - 阿Qi早起了吗 - 博客园

 

        左图是无监督学习的过程，虽然数据被分成了两类，但是没有对应的数据标签，统一用蓝色的○表示，这更像是把具有相同的特征的数据聚集在一起，所以无监督学习实现分类的算法又叫做聚类。右图是监督学习中二分类的过程，标签在图中体现为×和○。

无监督学习
优点：无需人工标注，可直接从海量未标记数据中自动提取知识，适用于数据探索、预处理和模式识别，还能作为监督学习的预处理步骤，减少标注需求或提升模型效果。
缺点：对数据质量敏感，噪声、缺失值或异常值易影响模型表现。

监督学习
优点：依赖标注数据训练模型，预测准确性较高；通过对比真实标签优化模型，提升准确率。
缺点：易过度依赖训练数据（过拟合），导致在新数据上泛化能力差。

如何选择

• 选择监督学习：

  • 当你有大量的标记数据（输入和对应的输出）可用时。
  • 当目标是进行分类或回归预测时。
  • 当需要高准确度和可解释性时。

• 选择无监督学习：

  • 当没有标记数据可用时。
  • 当目标是发现数据中的模式、结构或群体时。
  • 当需要进行数据探索或预处理时。

参考文章

监督学习or无监督学习？这个问题必须搞清楚 - 知乎

机器学习笔记--监督学习和无监督学习全面总结（原理、示意图、代码）-优快云博客