本文轉載自公眾號“讀芯術”(ID：AI_Discovery)

當你踏上機器學習之旅時，搞清楚監督學習和無監督學習是你應該做的第一件事。而對于新手而言，“監督學習和無監督學習有什么區別?”，是最為常見不過的問題。

其答案在于理解機器學習算法的本質。如果沒有明確監督學習和無監督學習之間的區別，你的學習之旅將無法前行。

如果sSDBQIF不了解線性回歸、邏輯回歸、聚類、神經網絡等算法的適用范圍，就沒法直接進入模型構建階段。

如果不知道機器學習算法的目標是什么，就無法建立一個精確的模型。這就是監督學習和無監督學習的由來。

本文就將幫你解決這個問題，再友情奉送另一個關鍵問題：如何決定何時使用監督學習或無監督學習?

什么是監督學習?

在監督學習中，計算機通過示例學習。它從過去的數據中學習，并將學習的結果應用到當前的數據中，以預測未來的事件。在這種情況下，輸入和期望的輸出數據都有助于預測未來事件。

為了準確預測，將輸入數據標記為正確答案。

監督機器學習分類

重要的是，要記住：所有監督學習算法本質上都是復雜算法，分為分類或回歸模型。

• 回歸模型—回歸模型用于輸出變量為實際值的問題，例如單一的數字、美元、薪水、體重或壓力。它最常用于根據先前的觀測數據來預測數值。一些比較常見的回歸算法包括線性回歸、邏輯回歸、多項式回歸和脊回歸。
• 分類模型—分類模型用于可以對輸出變量進行分類，例如“是”或“否”、“通過”或“失敗”。分類模型用于預測數據的類別。現實生活中的例子包括垃圾郵件檢測、情緒分析、考試記分卡預測等。

監督學習算法在現實生活中有一些非常實際的應用，包括：

• 文本分類
• 垃圾郵件檢測
• 天氣預報
• 根據當前市場價格預測房價
•  股票價格預測等
• 人臉識別
• 簽名識別
• 客戶發現

什么是無監督學習?

無監督學習是訓練機器使用既未分類也未標記的數據的方法。這意味著無法提供訓練數據，機器只能自行學習。機器必須能夠對數據進行分類，而無需事先提供任何有關數據的信息。

其理念是先讓計算機與大量變化的數據接觸，并允許它從這些數據中學習，以提供以前未知的見解，并識別隱藏的模式。因此，無監督學習算法不一定有明確的結果。相反，它確定了與給定數據集不同或有趣之處。

計算機需要編程才能自學。計算機需要從結構化和非結構化數據中理解和提供見解。以下是無監督學習的準確說明：

無監督機器學習分類

• 聚類是最常見的無監督學習方法之一。聚類的方法包括將未標記的數據組織成類似的組，稱為聚類。因此，聚類是相似數據項的集合。此處的主要目標是發現數據點中的相似性，并將相似的數據點分組到一個聚類中。
• 異常檢測是識別與大多數數據顯著不同的特殊項、事件或觀測值的方法。通常在數據中尋找異常或異常值的原因在于它們是可疑的。異常檢測常用于銀行欺詐和醫療差錯檢測。

無監督學習算法的應用

無監督學習算法的一些實際應用包括：

• 惡意軟件檢測
• 數據輸入過程中人為錯誤識別
• 進行準確的購物籃分析等
• 欺詐檢測

應該什么時候選擇監督學習或無監督學習?

在制造業中，有很多因素影響哪種機器學習方法最適合任何給定的任務。而且，由于每個機器學習問題的獨特性，決定使用哪種技術是一個復雜的過程。

一般來說，選擇正確機器學習方法的一個好策略是：

• 評估數據。標記與否?是否有專家知識支持附加標記?這將有助于確定是否應使用監督、無監督、半監督或強化的學習方法。
• 審查可用的算法，其可能適合維度問題(特征、屬性或特征的數量)。候選算法應適合于整個數據量以及其結構。
• 研究成功案例，關于類似問題上應用的算法類型。
• 定義目標。被定義的問題是否反復出現?是否期望算法能預測新的問題?

監督學習和無監督學習是機器學習領域中的關鍵概念，這應該是你開始學習機器學習的第一課，一定要理解透徹呀!