监督式学习与无监督学习：有何区别？

世界每天都在变得越来越 “智能”，为了满足消费者的期望，公司越来越多地使用机器学习算法来简化事情。您可以看到它们在最终用户设备中使用，例如：通过人脸识别解锁智能手机或信用卡欺诈检测（如触发异常消费警报）。

人工智能（AI）和机器学习有两种基本方法：监督学习和无监督学习。它们的主要区别在于，一种方法使用标记数据来帮助预测结果，而另一种方法则不使用标记数据。不过，这两种方法之间也存在一些细微差别，在一些关键领域，其中一种方法优于另一种方法。本篇文章将阐明两者的区别，以便您根据自身情况选择最佳方法。

什么是监督学习？

监督学习是一种机器学习方法，它通过使用标记数据集来定义。这些数据集旨在训练或 “监督 “算法对数据进行分类或准确预测结果。利用标注的输入和输出，模型可以衡量其准确性，并随着时间的推移不断学习。

在数据挖掘过程中，有监督学习可分为两类问题：分类和回归：

分类问题使用算法将测试数据准确分配到特定类别中，例如将苹果和橘子分开。或者，在现实世界中，监督学习算法可用于将垃圾邮件分类到收件箱之外的单独文件夹中。线性分类器、支持向量机、决策树和随机森林都是常见的分类算法类型。
回归是另一种监督学习方法，它使用一种算法来理解因变量和自变量之间的关系。回归模型有助于根据不同的数据点预测数值，例如特定业务的销售收入预测。一些常用的回归算法包括线性回归、逻辑回归和多项式回归。

什么是无监督学习？

无监督学习使用机器学习算法来分析和聚类无标记的数据集。这些算法无需人工干预即可发现数据中隐藏的模式（因此被称为 “无监督”）。

无监督学习模型主要用于三项任务：聚类、关联和降维：

聚类是一种数据挖掘技术，用于根据未标记数据的相似性或差异性对其进行分组。例如，K 均值聚类算法将相似的数据点分配到不同的组中，其中 K 值代表分组的大小和粒度。这种技术有助于市场细分、图像压缩等。
关联是另一种无监督学习方法，它使用不同的规则来查找给定数据集中变量之间的关系。这些方法常用于市场篮子分析和推荐引擎，类似于 “买过此商品的客户也买过 “的推荐。
降维是一种在给定数据集中特征（或维度）数量过多时使用的学习技术。它能将数据输入的数量减少到可控范围内，同时还能保持数据的完整性。这种技术通常用于数据预处理阶段，例如自动编码器从视觉数据中去除噪声以提高图片质量。

有监督学习和无监督学习的主要区别标记数据

这两种方法的主要区别在于是否使用标记数据集。简单地说，有监督学习使用有标记的输入和输出数据，而无监督学习算法则不使用。

在监督学习中，算法通过迭代对数据进行预测并调整以获得正确答案，从而从训练数据集中 “学习”。虽然有监督学习模型往往比无监督学习模型更准确，但它们需要前期的人工干预来对数据进行适当标注。例如，监督学习模型可以根据一天中的时间、天气状况等预测你的通勤时间。但首先，你必须对它进行训练，让它知道阴雨天气会延长驾驶时间。

相比之下，无监督学习模型可以自行发现未标记数据的固有结构。需要注意的是，它们仍然需要人工干预来验证输出变量。例如，无监督学习模型可以识别出在线购物者经常同时购买几组产品。但是，数据分析师需要验证，推荐引擎将婴儿服装与尿布、苹果酱和奶嘴杯的订单组合在一起是否合理。

监督学习与非监督学习的其他主要区别

目标：在监督学习中，目标是预测新数据的结果。你可以预先知道预期结果的类型。在无监督学习算法中，目标是从大量新数据中获得洞察力。机器学习本身决定了数据集中的不同之处或有趣之处。
应用：监督学习模型是垃圾邮件检测、情感分析、天气预报和价格预测等的理想选择。相比之下，无监督学习则非常适合异常检测、推荐引擎、客户角色和医学成像。
复杂性：监督学习是一种简单的机器学习方法，通常通过使用 R 或 Python 等程序进行计算。在无监督学习中，你需要强大的工具来处理大量未分类的数据。无监督学习模型在计算上比较复杂，因为它们需要大量的训练集才能产生预期结果。
缺点：监督学习模型的训练可能很耗时，而且输入和输出变量的标签需要专业知识。同时，除非有人工干预来验证输出变量，否则无监督学习方法的结果可能会非常不准确。