监督式学习

训练数据包括输入向量的示例及其相应的目标向量的应用被称为监督学习问题。

无监督学习

在其他模式识别问题中，训练数据由一组输入向量x组成，没有任何对应的目标值。这种无监督学习问题的目标可能是在数据中发现相似的例子组，在这里它被称为聚类

模式识别和机器学习(Bishop, 2006)

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。

我尽量简单点。

监督学习:在这种学习技术中，我们得到一个数据集，系统已经知道该数据集的正确输出。这里，我们的系统通过预测自己的值来学习。然后，它通过使用代价函数来检查其预测与实际输出的接近程度，从而进行准确性检查。

无监督学习:在这种方法中，我们很少或根本不知道我们的结果是什么。因此，我们从不知道变量影响的数据中推导出结构。 我们根据数据中变量之间的关系对数据进行聚类，从而形成结构。 在这里，我们没有基于预测的反馈。

监督式学习

无监督学习

例子:

监督式学习:

一袋苹果 一个橙色的袋子 =>构建模型 一个混合了苹果和橘子的袋子。 请分类

无监督学习:

一个混合了苹果和橘子的袋子。 =>构建模型 另一个喜忧参半的情况 请分类

我一直认为无监督学习和有监督学习之间的区别是随意的，有点令人困惑。这两种情况之间没有真正的区别，相反，在一系列情况下，算法可以或多或少地“监督”。半监督学习的存在是界限模糊的一个明显例子。

我倾向于认为监督是对算法提供关于应该首选哪些解决方案的反馈。对于传统的监督设置，比如垃圾邮件检测，你告诉算法“不要在训练集上犯任何错误”;对于传统的无监督设置，比如聚类，你告诉算法“彼此接近的点应该在同一个聚类中”。很巧的是，第一种反馈形式比后者更具体。

简而言之，当有人说“有监督”时，想想分类，当他们说“无监督”时，想想聚类，尽量不要过于担心除此之外的问题。

在简单 监督学习是一种机器学习问题，其中我们有一些标签，通过使用这些标签，我们实现了回归和分类等算法。分类应用于我们的输出形式类似于 0或1，真/假，是/否。回归是应用于实际价值的地方，比如房价

无监督学习是一种机器学习问题，其中我们没有任何标签，意味着我们只有一些数据，非结构化数据，我们必须使用各种无监督算法对数据进行聚类(数据分组)