当前位置：首页 > article >正文

有监督学习 vs 无监督学习：机器学习的两大支柱

article 2024/12/25 1:47:56

有监督学习 vs 无监督学习：机器学习的两大支柱

有监督学习 vs 无监督学习：机器学习的两大支柱
- 一、有无“老师”来指导
- 二、解决的问题类型不同
- 三、模型的输出不同

有监督学习 vs 无监督学习：机器学习的两大支柱

在机器学习的奇妙世界里，有监督学习和无监督学习就像是两位超级英雄，各自拥有独特的超能力，解决着不同类型的问题。今天，就让我们用通俗易懂的方式来揭开它们神秘的面纱，看看这两者到底有啥区别。

在这里插入图片描述

一、有无“老师”来指导

有监督学习像是有一位严格的老师在旁边悉心教导。想象一下，你在学习数学，老师会给你大量的数学题，并且每道题都标好了正确答案（这就是数据集中的标签）。你通过不断地做题，学习题目中的规律（数据特征）和对应的答案，从而掌握解题方法（建立模型）。以后遇到新的题目（新的数据），你就能根据之前学到的经验，给出正确答案（做出预测）。比如在房价预测中，我们有很多房子的信息（面积、房间数、房龄等特征），以及它们实际的售价（标签）。模型通过学习这些带标签的数据，就能预测出其他房子的价格。

而无监督学习则像是没有老师的自习课。你只有一堆数据，没有任何预先给定的答案或标签。你要自己去发现这些数据中的规律和模式。比如，给你一堆不同形状和颜色的积木，你要尝试把它们按照自己发现的相似性（比如颜色相同、形状相似等）分成不同的堆（聚类），但没有人告诉你应该怎么分才是“正确”的，完全靠你自己去探索和发现数据的内在结构。

在这里插入图片描述

二、解决的问题类型不同

有监督学习主要用于解决预测和分类问题。预测问题就像我们刚刚说的房价预测，根据已知的房子特征预测价格；分类问题呢，就好比判断一封邮件是垃圾邮件还是正常邮件，模型通过学习已经被标记好的邮件（垃圾邮件或正常邮件）的特征，来对新的邮件进行分类。

无监督学习更多地用于发现数据的内在结构和模式。除了前面提到的聚类，还有数据降维。比如说，我们有一组关于人的数据，包括身高、体重、年龄、收入等很多维度的信息，但有些维度可能是冗余的或者相关性很强。无监督学习可以把这些高维数据降成低维数据，同时尽量保留数据的主要特征，让我们能更直观地看到数据的分布情况，就好像把一个复杂的立体图形投影到一个平面上，虽然损失了一些细节，但主要的形状和结构还是能看清楚。