『愚』的博客

无监督学习可以把这些高维数据降成低维数据，同时尽量保留数据的主要特征，让我们能更直观地看到数据的分布情况，就好像把一个复杂的立体图形投影到一个平面上，虽然损失了一些细节，但主要的形状和结构还是能看清楚。比如，给你一堆不同形状和颜色的积木，你要尝试把它们按照自己发现的相似性（比如颜色相同、形状相似等）分成不同的堆（聚类），但没有人告诉你应该怎么分才是“正确”的，完全靠你自己去探索和发现数据的内在结构。了解它们的区别，能帮助我们根据实际问题选择合适的机器学习方法，就像在不同的战斗中选择合适的超级英雄一样。

机器学习中的“学习”方式丰富多样，主要涵盖监督学习、无监督学习以及半监督学习等关键类型。监督学习恰似一位经验丰富的导师在旁悉心指导。以预测银行贷款用户是否会违约为例，我们拥有大量过往贷款用户的详细资料，包括年龄、收入、职业、信用记录等诸多特征信息，同时明确知晓这些用户最终是否违约的真实结果（即标签）。模型在学习过程中，仔细分析这些特征与违约标签之间的内在关联，从而构建起精准的预测模型。当面对新的贷款申请人时，模型便能依据其提供的特征数据，准确判断其违约的可能性，为银行的信贷决策提供有力支持。