在机器学习中，监督学习和无监督学习是两种核心范式，主要区别在于数据标签的使用方式：

1. 监督学习（Supervised Learning）

• 核心思想：通过已标记数据（输入与对应标签）训练模型，学习输入到输出的映射关系。
• 常见任务：
  • 分类（如垃圾邮件识别、图像分类）。
  • 回归（如房价预测、销量预测）。
• 典型算法：
  • 线性回归、决策树、随机森林。
  • 支持向量机（SVM）、神经网络（如CNN、RNN）。
• 应用场景：
  • 预测用户是否购买商品（二分类）。
  • 根据传感器数据预测设备故障（回归）。

2. 无监督学习（Unsupervised Learning）

• 核心思想：利用未标记数据探索数据内在结构或模式，无需预先定义目标。
• 常见任务：
  • 聚类（如客户分群、图像分割）。
  • 降维（如PCA、t-SNE）。
  • 异常检测（如信用卡欺诈识别）。
• 典型算法：
  • K-Means、DBSCAN（聚类）。
  • 主成分分析（PCA）、自编码器（降维）。
  • 孤立森林（异常检测）。
• 应用场景：
  • 发现电商用户行为模式（聚类）。
  • 压缩高维数据（如图像降维）。

核心区别

 

特性	监督学习	无监督学习
数据标签	需要标记数据（输入+标签）	无需标签（仅输入数据）
目标	预测明确目标（如分类标签）	探索数据内在结构（如聚类）
适用场景	标签充足的任务	数据未标记或结构未知的任务

 

扩展对比

• 半监督学习：结合少量标记数据和大量未标记数据（如图像分类中部分标注）。
• 强化学习：通过与环境交互学习最优策略（如AlphaGo下棋）。

选择依据：若数据有清晰标签且目标明确（如预测房价），用监督学习；若需探索未知模式（如用户分群），用无监督学习。

1. 数据分析中有哪些划分数据集的方法
2. 自变量和因变量
3. 拉普拉斯平滑
4. 方差
5. 朴素贝叶斯分类
6. 贝叶斯定理
7. 边缘分布
8. 概率论中独立概念‌
9. 概率论字母P