- 机器学习基础
- ML - 首页
- ML - 简介
- ML - 入门
- ML - 基本概念
- ML - 生态系统
- ML - Python 库
- ML - 应用
- ML - 生命周期
- ML -所需技能
- ML - 实现
- ML - 挑战与常见问题
- ML -局限性
- ML - 真实案例
- ML - 数据结构
- ML - 数学基础
- ML - 人工智能
- ML - 神经网络
- ML - 深度学习
- ML - 获取数据集
- ML - 分类数据
- ML - 数据加载
- ML - 数据理解
- ML - 数据准备
- ML - 模型
- ML - 监督学习
- ML - 无监督学习
- ML - 半监督学习
- ML - 强化学习
- ML - 监督学习 vs. 无监督学习
- 机器学习数据可视化
- ML - 数据可视化
- ML - 直方图
- ML - 密度图
- ML - 箱线图
- ML - 相关矩阵图
- ML - 散点矩阵图
- 机器学习统计学
- ML - 统计学
- ML - 均值、中位数、众数
- ML - 标准差
- ML - 百分位数
- ML - 数据分布
- ML - 偏度和峰度
- ML - 偏差与方差
- ML - 假设
- 机器学习中的回归分析
- ML - 回归分析
- ML - 线性回归
- ML - 简单线性回归
- ML - 多元线性回归
- ML - 多项式回归
- 机器学习中的分类算法
- ML - 分类算法
- ML - 逻辑回归
- ML - K 近邻算法 (KNN)
- ML - 朴素贝叶斯算法
- ML - 决策树算法
- ML - 支持向量机
- ML - 随机森林
- ML - 混淆矩阵
- ML - 随机梯度下降
- 机器学习中的聚类算法
- ML - 聚类算法
- ML - 基于质心的聚类
- ML - K 均值聚类
- ML - K 中值聚类
- ML - 均值漂移聚类
- ML - 层次聚类
- ML - 基于密度的聚类
- ML - DBSCAN 聚类
- ML - OPTICS 聚类
- ML - HDBSCAN 聚类
- ML - BIRCH 聚类
- ML - 亲和传播
- ML - 基于分布的聚类
- ML - 凝聚层次聚类
- 机器学习中的降维
- ML - 降维
- ML - 特征选择
- ML - 特征提取
- ML - 向后剔除法
- ML - 前向特征构建
- ML - 高相关性过滤器
- ML - 低方差过滤器
- ML - 缺失值比率
- ML - 主成分分析
- 强化学习
- ML - 强化学习算法
- ML - 利用与探索
- ML - Q 学习
- ML - REINFORCE 算法
- ML - SARSA 强化学习
- ML - 演员-评论家方法
- 深度强化学习
- ML - 深度强化学习
- 量子机器学习
- ML - 量子机器学习
- ML - 使用 Python 的量子机器学习
- 机器学习杂项
- ML - 性能指标
- ML - 自动工作流程
- ML - 提升模型性能
- ML - 梯度提升
- ML - 自举汇聚 (Bagging)
- ML - 交叉验证
- ML - AUC-ROC 曲线
- ML - 网格搜索
- ML - 数据缩放
- ML - 训练和测试
- ML - 关联规则
- ML - Apriori 算法
- ML - 高斯判别分析
- ML - 成本函数
- ML - 贝叶斯定理
- ML - 精度和召回率
- ML - 对抗性
- ML - 堆叠
- ML - 轮次
- ML - 感知器
- ML - 正则化
- ML - 过拟合
- ML - P 值
- ML - 熵
- ML - MLOps
- ML - 数据泄露
- ML - 机器学习的商业化
- ML - 数据类型
- 机器学习 - 资源
- ML - 快速指南
- ML - 速查表
- ML - 面试问题
- ML - 有用资源
- ML - 讨论
监督学习与无监督学习
监督学习和无监督学习是机器学习中两种流行的方法。区分监督学习和无监督学习最简单的方法是训练数据集的类型和模型的训练方式。但是，还有其他区别，本章将进一步讨论。
什么是监督学习？
监督学习是一种机器学习方法，它使用标记数据集来训练模型，使其成为分类数据或预测输出的理想选择。监督学习分为两种类型：
1. 分类
分类使用算法来预测类别值，例如确定电子邮件是否为垃圾邮件，或者它是真还是假。该算法学习将每个输入映射到其对应的输出标签。一些常见的算法包括 K 近邻、随机森林和决策树。
2. 回归
回归是一种统计方法，用于分析数据点之间的关系。它可用于根据位置和大小等特征预测房价，或估计未来的销售额。一些常见的算法包括线性回归、多项式回归和逻辑回归。
什么是无监督学习？
无监督学习是一种机器学习方法，用于在原始和未标记的数据上训练模型。这种方法通常用于在没有人工监督的情况下识别数据中的模式。无监督学习模型用于以下任务：
1. 聚类
此任务使用无监督学习模型根据其相似性将数据点分组到集群中。常用的算法是K 均值聚类。
2. 关联
这是另一种类型的无监督学习，它使用预定义规则将数据点分组到集群中。它通常用于市场篮子分析，此任务背后的主要算法是 **Apriori 算法**。
3. 降维
这种无监督学习方法用于通过去除不必要的特征来减小数据集的大小，而不会影响数据的原始性。
监督学习和无监督学习的区别
下表显示了监督学习和无监督机器学习之间的一些关键区别：
| 依据 | 监督学习 | 无监督学习 |
|---|---|---|
| 定义 | 监督学习算法训练数据，其中每个输入都有对应的输出。 | 无监督学习算法查找没有预定义标签的数据中的模式。 |
| 目标 | 监督学习的目标是根据输入特征进行预测或分类。 | 无监督学习的目标是发现隐藏的模式、结构和关系。 |
| 输入数据 | 标记的：具有相应输出标签的输入数据。 | 未标记的：输入数据是原始的和未标记的。 |
| 人工监督 | 监督学习算法需要人工监督来训练模型。 | 无监督学习算法不需要任何监督来训练模型。 |
| 任务 | 回归、分类 | 聚类、关联和降维 |
| 复杂度 | 监督机器学习方法在计算上比较简单。 | 无监督机器学习方法在计算上比较复杂。 |
| 算法 | 线性回归、K 近邻、决策树、朴素贝叶斯、SVM | K 均值聚类、DBSCAN、自编码器 |
| 准确性 | 监督机器学习方法非常准确。 | 无监督机器学习方法的准确性较低。 |
| 应用 | 图像分类、情感分析、推荐系统 | 客户细分、异常检测、推荐引擎、自然语言处理 |
监督学习或无监督学习 - 选择哪个？
选择正确的方法至关重要，并且还会决定结果的效率。为了决定哪种学习方法最好，应考虑以下事项：
- 数据集 - 评估数据，无论是标记的还是未标记的。你还需要评估是否有时间、资源和专业知识来支持标记。
- 目标 - 定义你试图解决的问题和你试图选择的解决方案也很重要。它可能是分类、发现数据中的新模式或见解，或创建预测模型。
- 算法 - 通过确保算法与所需维度（例如属性和特征数量）匹配来审查算法。此外，评估算法是否可以支持数据的数量。
半监督学习
如果你在选择监督学习和无监督学习之间犹豫不决，半监督学习是最安全的方法。这种学习方法结合了监督学习和无监督学习，其中使用的数据集的一小部分被标记，大部分未被标记。当你有大量数据使得难以识别相关特征时，这是理想的选择。
广告