在人工智能和机器学习方面，监督学习和无监督学习的区别是什么? 你能举个例子简单地解释一下吗?
当前回答
监督式机器学习 算法从训练数据集中学习的过程 预测产出。”
预测输出精度与训练数据(长度)成正比
监督学习是指你有输入变量(x)(训练数据集)和输出变量(Y)(测试数据集)，你使用一种算法来学习从输入到输出的映射函数。
Y = f(X)
主要类型:
分类(离散y轴) 预测(连续y轴)
算法:
分类算法: 神经网络 Naïve贝叶斯分类器 费雪线性判别 然而, 决策树 超级向量机 预测算法: 最近的邻居 线性回归，多元回归
应用领域:
将电子邮件分类为垃圾邮件 患者是否有 疾病与否 语音识别 预测HR是否会选择特定的候选人 预测股票市场价格
其他回答
监督学习，给出数据和答案。
给定被标记为垃圾邮件或非垃圾邮件的电子邮件，学习垃圾邮件过滤器。
给定一个被诊断为患有或没有糖尿病的患者的数据集，学习将新患者分类为患有或没有糖尿病。
无监督学习，给出没有答案的数据，让计算机对事物进行分组。
给定一组在网上找到的新闻文章，将它们分成一组关于同一故事的文章。
给定自定义数据数据库，自动发现细分市场，并将客户分组到不同的细分市场。
参考
机器学习: 它探索了可以从数据中学习并对数据进行预测的算法的研究和构建。这种算法通过从示例输入中构建模型来运行，以便做出数据驱动的预测或作为输出表示的决策，而不是严格地遵循静态的程序指令。
监督式学习: 这是从标记的训练数据推断出函数的机器学习任务。训练数据由一组训练示例组成。在监督学习中，每个例子都是一对，由一个输入对象(通常是一个向量)和一个期望的输出值(也称为监督信号)组成。监督学习算法分析训练数据并产生推断函数，该函数可用于映射新的示例。
由“老师”给计算机提供示例输入和它们期望的输出，目标是学习将输入映射到输出的一般规则。具体来说，有监督学习算法采用一组已知的输入数据和对数据(输出)的已知响应，并训练一个模型来生成对新数据响应的合理预测。
Unsupervised learning: It is learning without a teacher. One basic thing that you might want to do with data is to visualize it. It is the machine learning task of inferring a function to describe hidden structure from unlabeled data. Since the examples given to the learner are unlabeled, there is no error or reward signal to evaluate a potential solution. This distinguishes unsupervised learning from supervised learning. Unsupervised learning uses procedures that attempt to find natural partitions of patterns.
在无监督学习中，没有基于预测结果的反馈，也就是说，没有老师来纠正你。在无监督学习方法下，不提供标记的示例，在学习过程中没有输出的概念。因此，由学习方案/模型来寻找模式或发现输入数据的组
你应该使用无监督学习方法，当你需要一个大的 训练你的模型的数据量，以及意愿和能力 去实验和探索，当然这是一个不太好的挑战 通过更成熟的方法解决。无监督学习就是这样 可以学习比监督更大更复杂的模型 学习。这里有一个很好的例子
.
监督式机器学习 算法从训练数据集中学习的过程 预测产出。”
预测输出精度与训练数据(长度)成正比
监督学习是指你有输入变量(x)(训练数据集)和输出变量(Y)(测试数据集)，你使用一种算法来学习从输入到输出的映射函数。
Y = f(X)
主要类型:
分类(离散y轴) 预测(连续y轴)
算法:
分类算法: 神经网络 Naïve贝叶斯分类器 费雪线性判别 然而, 决策树 超级向量机 预测算法: 最近的邻居 线性回归，多元回归
应用领域:
将电子邮件分类为垃圾邮件 患者是否有 疾病与否 语音识别 预测HR是否会选择特定的候选人 预测股票市场价格
在监督学习中，为输入x提供预期结果y(即，当输入x时模型应该产生的输出)，这通常被称为对应输入x的“类”(或“标签”)。
在无监督学习中，不提供示例x的“类”。因此，无监督学习可以被认为是在未标记的数据集中寻找“隐藏结构”。
监督学习的方法包括:
分类(1R、朴素贝叶斯、决策树学习算法等) 如ID3 CART，等等) 数值预测
无监督学习的方法包括:
聚类(k -均值，层次聚类) 关联规则学习
监督学习基本上是一种技术，其中机器学习的训练数据已经被标记，假设是一个简单的偶数分类器，在训练过程中你已经对数据进行了分类。因此它使用“LABELLED”数据。
相反，无监督学习是一种机器自己标记数据的技术。或者你可以说这是机器从头开始自己学习的情况。
