1、定义
-
监督学习 ：在监督学习中，模型的训练是基于带有标签的数据进行的。这些标签就像是一个 "监督者" 或 "教师"，为模型提供了正确的答案。例如，如果我们有一个包含房屋面积、房间数量、位置等特征以及对应房价的数据集（房价就是标签），模型通过学习这些特征和房价之间的关系，来构建一个预测房价的模型。在训练过程中，模型会不断调整自己的参数，使得它对训练数据的预测值尽可能接近真实的标签值。
-
无监督学习 ：无监督学习所使用的数据是没有标签的。模型需要自己去发现数据中潜在的结构、模式或关系。比如，在客户细分场景中，我们有一组包含客户年龄、消费习惯、购买频率等信息的数据，但没有预先定义的类别标签。无监督学习算法（如聚类算法）会根据这些特征将客户分成不同的群组，每个群组内的客户具有相似的特征。
2、目标
-
监督学习目标多样
-
分类 ：其目标是将输入数据划分到预定义的类别中。例如，在垃圾邮件识别中，模型要判断一封邮件是 "垃圾邮件"（一类）还是 "非垃圾邮件"（另一类）。常用的分类算法有决策树、支持向量机等。决策树通过一系列的特征判断（如邮件中是否包含特定关键词等）来构建一个树状结构的决策模型，最终将邮件归类。
-
回归 ：主要是用于预测连续的值。如预测股票价格、气温变化等。以线性回归为例，它假设输出变量（如房价）和输入变量（如房屋面积、房间数量等）之间存在线性关系，通过拟合这条直线来预测新的数据点的值。
-
-
无监督学习目标主要集中在数据结构发现
-
聚类 ：目的是将数据集分成若干个簇，使得同一簇内的数据对象相似度较高，而不同簇之间的数据对象相似度较低。K - 均值算法是一种常用的聚类方法，它首先随机初始化 K 个簇中心，然后根据数据点与簇中心的距离将数据点分配到最近的簇，接着重新计算每个簇的中心，不断迭代直到簇中心不再变化或者达到预设的迭代次数。
-
降维 ：用于减少数据的维度，同时保留数据的主要特征和结构。主成分分析（PCA）是一种经典的降维方法，它通过将数据投影到新的坐标轴上，使得数据在这些新的轴上的方差最大化，从而在降低维度的同时尽可能保留数据的有用信息。例如，在人脸识别中，人脸图像的像素数据维度很高，通过 PCA 降维后可以提取出人脸的主要特征，如轮廓、五官位置等，用于后续的识别任务。
-
3、算法复杂度和数据量需求区别
-
监督学习算法复杂度相对较高，对数据量有一定要求 ：监督学习算法通常需要大量的带有标签的数据来训练模型，以确保模型能够很好地学习特征和标签之间的映射关系。例如，在图像识别任务中，像深度卷积神经网络这样的复杂监督学习模型，可能需要数百万张带有标签的图像数据进行训练，而且模型的训练过程可能非常耗时，需要大量的计算资源。常用算法：
- 线性回归、逻辑回归
- 决策树、随机森林
- 支持向量机（SVM）
- 神经网络
-
无监督学习算法复杂度相对较低，对数据量要求相对灵活 ：无监督学习算法一般不需要大量的数据来训练。例如，K - 均值聚类算法相对简单，对于数据量不是特别大的情况也能较快地完成聚类任务。而且在数据量较少时，也能通过调整参数等方式来发现数据中的一些基本结构。常用算法：
- K均值聚类（K-Means）
- 层次聚类（Hierarchical Clustering）
- 主成分分析（PCA）
- 自编码器（Autoencoder）
4、应用场景区别
-
监督学习应用场景广泛 ：在许多需要预测或分类的实际业务场景中都有应用。如医疗领域中的疾病诊断（根据患者的症状、检查结果等特征判断是否患有某种疾病），金融领域的信用评估（根据个人的收入、信用记录等特征评估其信用等级），工业领域的质量检测（根据产品的各种检测指标判断产品是否合格）等。
-
无监督学习应用场景独特 ：它在数据探索和预处理等方面发挥着重要作用。例如，在市场调研中，企业可以使用无监督学习算法对消费者的行为数据进行聚类分析，了解不同消费者群体的特征，从而制定更有针对性的营销策略；在数据压缩领域，通过无监督学习的降维算法可以有效地减少数据的存储空间，同时保留数据的关键信息。
5、优缺点对比
| 监督学习 | 无监督学习 |
|---|---|
| ✅ 结果明确，可解释性强 | ✅ 无需标注数据，成本低 |
| ❌ 依赖大量标注数据 | ❌ 结果可能难以评估（无明确目标） |
| ❌ 标注错误会影响模型 | ✅ 适合探索未知数据模式 |