监督学习与无监督学习(机器学习初揭秘)
前言
在如今的机器学习的方式中，监督学习与无监督学习占据了大概80%的部分，他们是最主流最使用的方法，那么这两种训练模式到底是什么，到底有什么区别呢？随着笔者的脚步，往下看看~
一、监督学习
1.1 概念
所谓的监督学习，就是有老师教、有标准答案 的学习方式，它是机器学习里最主流、应用最广的一类，核心就是：给模型一堆「题目 + 答案」，让它学会规律，再去做新题。
下面我们举一个例子，假设我有一个函数 f(x) = kx+b，下面我给几组数值，比如 (1, 2)、(2, 3)、(3, 4) ，随后，我想要大家推测出k 与b的值，那么大家肯定很快可以推测出来，k=1，b=1，这是一道简单的数学题！那么！监督学习就是向机器输入 (1, 2)、(2, 3)、(3, 4)等数据，随后让机器推出k 与b 。核心本质：寻找 x→y 的映射函数！
监督学习一般用于有相对正确结果的实验规律统计，比如：肿瘤检测、房价预测、车牌识别、垃圾邮件过滤等！
1.2 监督学习流程
监督学习的流程，可以总结为一句话：喂入「题目 + 答案」→ 模型初步预测 → 计算预测误差 → 调整模型参数 → 反复训练变准 → 对新数据做预测。下面我以图片(豆包AI生成)的方式展现给大家！
1.3 监督学习的优缺点
监督学习的优点：据我的了解，监督学习基于正确的标签(正确的答案)，训练的目标清晰，训练起来的目的性比较强，数据利用的效率比较高！
监督学习的缺点：其实不难发现监督学习的方式是基于数据来的，对于数据的依赖性比较大，线性程度比较大，其实就是一种统计，并没有太多的模拟人脑的思考的。
二、无监督学习
1.1 概念
无监督学习与监督学习相对应。监督学习是通过输入带有正确标签（标准答案）的数据，学习从特征 X 到结果 Y 的映射关系；
而无监督学习在训练时不提供任何标准答案和标签，仅依靠数据本身的内在特征与分布规律，让算法自动对数据进行分组、归类或提取共性特征，最终形成具有相似特征的数据集合。
无监督学习一般用于无明确结果标注的场景统计，比如：用户分群、商品聚类、异常点检测、数据降维、图像特征提取等！
1.2 无监督学习流程
无监督学习的流程，可以总结为一句话：喂入 无标签数据→模型挖掘特征 / 结构→输出聚类 / 降维 / 特征结果→验证 / 应用→反复优化模型。下面我以图文逻辑的方式(图片由豆包AI生成)展现给大家：
1.3 无监督学习的优缺点
无监督学习的优点：无监督学习不用基于标准的正确答案的数据来进行训练，也就是说，无监督学习的学习以及数据成本会降低，并且很大程度可以发掘出人无法发现的特点，有类似大脑一样的思考方式！
无监督学习的缺点 ：其实不难发现无监督学习完全依赖数据自身的特征分布，没有标准答案作为参考，结果的可解释性比较弱，本质上是一种 "数据探索性分析"，并没有明确的目标导向，也很难直接评估结果的优劣好坏。
图标如下：
| 维度 | 监督学习 | 无监督学习 |
|---|---|---|
| 优点 | 目标清晰、数据利用效率高、结果易评估 | 数据 / 学习成本低、可发掘人眼难发现的特征、接近人脑探索方式 |
| 缺点 | 依赖带标签数据、线性统计属性强、缺乏类人脑思考 | 结果可解释性弱、无明确评估标准、无强目标导向 |
三、总结及两者对比
可解释性弱、无明确评估标准、无强目标导向 |
三、总结及两者对比
监督学习与无监督学习占据了80%的模型训练部分，是所有机器学习的开始起点，学习与了解这两种机器学习的方式是不可或缺的！