吴恩达机器学习笔记复盘（二）监督学习和无监督学习

监督学习

经济价值以及定义

监督学习是机器学习中创造了 99% 经济价值的类型，它是学习输入到输出映射的算法，关键在于给学习算法提供包含正确答案（即给定输入 X 的正确标签 Y）的学习例子。

生活中的例子

• 邮件分类，输入是电子邮件，输出是判断邮件是否为垃圾邮件。
• 语音识别，输入音频剪辑，输出文本记录。
• 机器翻译，输入一种语言文本，输出其他语言的相应翻译。
• 在线广告，输入广告和用户信息，预测用户是否点击广告，为公司带来大量收入。
• 自动驾驶，输入图像和雷达等其他感官信息，判断其他汽车位置以安全行驶。
• 制造业目视检查，输入制成品图片，输出产品是否有缺陷。

运行机制

先用输入 X 和正确答案（标签 Y）的例子训练模型，模型学习后，可对全新输入 X 尝试产生相应输出。

两种类型

回归与分类

分类的定义

分类算法是监督学习算法的一种。以乳腺癌检测为例，利用病人医疗记录，机器学习系统要判断肿块是良性（标记为 0）还是恶性（标记为 1），可将数据按肿瘤大小和标记（0 或 1）绘制图表。

分类与回归的区别

回归是从无限多可能数字中预测数字，而分类预测的是少量可能的输出（有限的输出类别），如乳腺癌检测中只有良性或恶性两种主要类别，也可能存在多种癌症类型诊断等更多类别情况，输出类和输出类别术语常可互换。

分类的特点

分类算法预测的类别不一定是数字，如预测图片是猫还是狗；也可以是数字，如 0、1、2 等，但与回归不同在于其预测的是有限的可能输出集合，而非中间所有可能数字。

输入值变量的多样性

分类问题不仅可以只有一个输入值（如肿瘤大小），还可以有多个输入值，如增加病人年龄作为新输入，此时学习算法需找到区分恶性和良性肿瘤的边界线辅助诊断，实际乳腺癌检测工作还会使用如肿瘤团厚度、细胞大小均匀性等更多输入值。

总结

监督学习的两种主要类型是回归和分类，回归从无限多个可能输出数中预测数字（如预测房价），分类对有限的可能输出类别集合进行预测，最后引出下一个视频将介绍无监督学习 。

无监督学习

定义

与监督学习不同，监督学习的每个示例都关联输出标签，而无监督学习的数据没有关联输出标签。在无监督学习里，工作是从数据中找出结构、模式或有趣的内容，算法需自行探索数据。监督学习数据带有输入 X 和输出 Y 标签，而无监督学习数据只有输入 X，没有输出标签 Y，算法需在数据中寻找结构、模式或有趣的东西。

聚类算法及应用

• 网络新闻：每天会浏览互联网上成千上万的新闻文章，运用聚类算法把相关故事组合在一起。算法能自行确定哪些词汇表明文章属于同一组，无需人工干预。
• 遗传或 DNA 数据：DNA 微阵列数据通过小网格展示，每列代表一个人的基因或 DNA 活动，每行代表一个基因。可使用聚类算法将个人分成不同类别，此过程属于无监督学习，因为没有提前告知算法各类人群的特征。
• 客户细分：很多公司有庞大的客户信息数据库，可借助聚类算法把客户自动分成不同细分市场，以更高效地服务客户。例如，深度学习团队通过聚类了解社区成员的不同动机，如寻求知识、职业发展、了解人工智能对工作领域的影响等。

聚类（clustrering）

聚类算法是无监督学习算法，它在无标签数据中自动进行分类。除了聚类，还有其他类型的无监督学习算法。

其它算法

已介绍聚类算法（将相似数据点组合在一起），还将学习名义检测（用于检测异常事件，如金融系统的欺诈检测）和降维（可将大数据集压缩成小数据集，尽可能少丢失信息，后续会专门讨论）。

无监督学习和监督学习在实际中的差别

• 垃圾邮件过滤问题，若有标记数据（标记为垃圾邮件或非垃圾邮件），可作为监督学习问题。
• 谷歌新闻可用聚类算法将文章分组，属于无监督学习。
• 市场细分可作为无监督学习问题，让算法自动发现市场细分。
• 诊断糖尿病类似乳腺癌分类，可当作监督学习问题。

笔者注

个人认为监督和无监督之间最大的差别就是“是否有人为数据标记”。