介紹監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)有什么區(qū)別？

對于機器學(xué)習(xí)的初學(xué)者和新手來說，這是一個常見的問題。答案是理解機器學(xué)習(xí)算法本質(zhì)的核心。如果沒有明白監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)之間的區(qū)別，你的機器學(xué)習(xí)之旅就無法繼續(xù)進行。實際上，這是你踏上機器學(xué)習(xí)之旅之初應(yīng)該學(xué)習(xí)的東西。如果我們不了解線性回歸，邏輯回歸，聚類，神經(jīng)網(wǎng)絡(luò)等算法的適用范圍，就不能簡單地跳到模型構(gòu)建階段。

如果我們不知道機器學(xué)習(xí)算法的目標(biāo)是什么，我們將無法建立一個準(zhǔn)確的模型。這就是監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)的由來。在這篇文章中，我將用例子討論這兩個概念，并回答一個大問題——如何決定何時使用監(jiān)督學(xué)習(xí)或非監(jiān)督學(xué)習(xí)？什么是監(jiān)督學(xué)習(xí)？在監(jiān)督學(xué)習(xí)中，計算機是通過數(shù)據(jù)來訓(xùn)練的。它從過去的數(shù)據(jù)中學(xué)習(xí)，并將學(xué)習(xí)到的東西應(yīng)用到現(xiàn)在的數(shù)據(jù)中，以預(yù)測未來的事件。在這種情況下，輸入數(shù)據(jù)和期望的輸出數(shù)據(jù)都為預(yù)測未來事件提供幫助。為了準(zhǔn)確預(yù)測，輸入數(shù)據(jù)被標(biāo)記了正確的類別。

監(jiān)督機器學(xué)習(xí)分類重要的是要先記住，所有有監(jiān)督學(xué)習(xí)算法本質(zhì)上都是復(fù)雜的算法，分為分類或回歸模型。1） 分類模型：分類模型用于輸出變量可以分類的問題，例如“是”或“否”、“通過”或“失敗”。分類模型用于預(yù)測數(shù)據(jù)的類別。現(xiàn)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(yù)測等。2） 回歸模型：回歸模型用于輸出變量為實際值的問題，例如唯一的數(shù)字、美元、工資、體重或壓力。它通常用于根據(jù)先前的數(shù)據(jù)觀測預(yù)測數(shù)值。一些比較常見的回歸算法包括線性回歸、logistic回歸、多項式回歸和嶺回歸。

監(jiān)督學(xué)習(xí)算法在現(xiàn)實生活中有一些非常實際的應(yīng)用，包括：文本分類人臉檢測簽名識別客戶發(fā)現(xiàn)垃圾郵件檢測天氣預(yù)報根據(jù)當(dāng)前市場價格預(yù)測房價股票價格預(yù)測等什么是無監(jiān)督學(xué)習(xí)？另一方面，無監(jiān)督學(xué)習(xí)是訓(xùn)練機器使用既沒有分類也沒有標(biāo)記的數(shù)據(jù)的方法，這意味著不能提供任何訓(xùn)練數(shù)據(jù)，機器只能自己學(xué)習(xí)。機器必須能夠?qū)��?shù)據(jù)進行分類，而無需事先提供任何有關(guān)數(shù)據(jù)的信息。其思想是將機器暴露在大量變化的數(shù)據(jù)中，并允許它從這些數(shù)據(jù)中學(xué)習(xí)，以提供以前未知的見解，并識別隱藏的模式。因此，沒有必要定義無監(jiān)督學(xué)習(xí)算法的結(jié)果，相反，它確定了與給定數(shù)據(jù)集不同或有趣的內(nèi)容。這臺機器需要編程才能自動學(xué)習(xí)。計算機需要理解結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)。以下是無監(jiān)督學(xué)習(xí)的精確說明：

1）聚類是最常見的無監(jiān)督學(xué)習(xí)方法之一。聚類的方法包括將未標(biāo)記的數(shù)據(jù)組織到稱為聚類的集群中。因此，集群是類似數(shù)據(jù)項的集合。這里的主要目標(biāo)是發(fā)現(xiàn)數(shù)據(jù)點之間的相似性，并將相似的數(shù)據(jù)點分組到一個集群中。2）異常檢測是指識別與大部分數(shù)據(jù)有顯著差異的稀有項、事件或觀測值的方法。我們通常在數(shù)據(jù)中尋找異�；虍惓Ｖ�，因為它們是可疑的。異常檢測常用于銀行詐騙和醫(yī)療差錯檢測。無監(jiān)督學(xué)習(xí)算法的應(yīng)用無監(jiān)督學(xué)習(xí)算法的一些實際應(yīng)用包括：欺詐檢測惡意軟件檢測數(shù)據(jù)輸入過程中人為錯誤的識別進行精確的購物籃分析等你應(yīng)該怎么選擇監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)？在制造業(yè)中，哪種機器學(xué)習(xí)方法最適合給定的任務(wù)受著有許多因素的影響。而且，由于每個機器學(xué)習(xí)問題都是不同的，決定使用哪種技術(shù)是一個復(fù)雜的過程。一般來說，磨練正確機器學(xué)習(xí)方法的一個好策略是：評估數(shù)據(jù)。它有標(biāo)簽嗎？是否有專家知識支持附加標(biāo)簽？這將有助于確定是否應(yīng)使用有監(jiān)督、無監(jiān)督、半監(jiān)督或強化的學(xué)習(xí)方法明確目標(biāo)。這個問題是反復(fù)出現(xiàn)的嗎？或者，該算法是否有望預(yù)測新的問題？回顧在維數(shù)（特征、屬性或特征的數(shù)量）方面可能適合該問題的現(xiàn)有算法。候選算法應(yīng)該適合整個數(shù)據(jù)量及其結(jié)構(gòu)研究算法類型在相似問題中的成功應(yīng)用最后的話監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)是機器學(xué)習(xí)領(lǐng)域的關(guān)鍵概念。在學(xué)習(xí)不同的機器學(xué)習(xí)算法之前，對基礎(chǔ)知識的正確理解是非常重要的。