監(jiān)督學習和無監(jiān)督學習

監(jiān)督學習

監(jiān)督學習，小編有個簡單的理解方式，按照這個順序來理解

1、有兩撥人，一撥人是好人，一撥是壞人

2、好人的行為特征有：扶老奶奶過馬路，撿到一分錢交給警察叔叔，當志愿者等等

3、壞人的行為特征有：偷東西，搶劫，欺負好人等等

4、有個審判官，根據(jù)你的行為來進行判斷是好人還是壞人

5、新進來一個小伙伴，由于此人經(jīng)常扶老奶奶過馬路，當志愿者等等，因此審判官就把你判斷為好人

這五點，融入到機器學習里面，用機器學習的話來說

好人與壞人：標簽

好人或者壞人的行為：特征值

審判官：訓練好的模型

新來的小伙伴：未知類別，待打上標簽的數(shù)據(jù)

這樣子是不是就比較好理解了，機器學習里面，先根據(jù)已有數(shù)據(jù)進行模型訓練從而得到一個函數(shù)，當有新的數(shù)據(jù)到來的時候，根據(jù)這個函數(shù)預測結果。

監(jiān)督學習里面的訓練集合包含了輸入與輸出，代表著特征值與標簽值。

在一般情況下，用來訓練的訓練集的標簽都是由業(yè)務方來標記，在工作中，最常見的其實就是數(shù)據(jù)分類了，通過已有的訓練的樣本去訓練得到一個模型，我們會采用K折交叉驗證來進行調(diào)參，從而得到參數(shù)的局部最優(yōu)解，再根據(jù)這個模型去預測數(shù)據(jù)。

在監(jiān)督學些中，最常見的是回歸與分類，常見的算法有KNN，SVM，隨機森林等

無監(jiān)督學習

相比于監(jiān)督學習，無監(jiān)督學習，其實就是少了這個監(jiān)督，也就是沒有標簽。

還是那兩撥人，但是這兩撥人沒有實現(xiàn)標記誰是好人，誰是壞人，他們聚在一起，這時候，上帝之手出現(xiàn)了，它讓這些人喜歡干嘛就去干吧，不要猶豫，于是乎，好人們開始去扶老奶奶過馬路，壞人們開始去當小偷，上帝之手成功把這兩撥人給分離開來，接著，給他們分別打上標簽：好人，壞人。

這個上帝之手，就是計算機。

無監(jiān)督學習中，有兩種方法

1、基于概率密度函數(shù)直接評估：其實就是根據(jù)每一個類別的特征在空間的分布情況得到分布參數(shù)，根據(jù)這些分布參數(shù)來進行分類。

2、基于數(shù)據(jù)樣本之間的相似性進行度量的聚類方式：假定每一個類別都有核心（當成黑幫老大來理解），以這個核心的特征為標準，把其他樣本的特征與這個核心的特征進行比較，當發(fā)現(xiàn)這是一類人的時候，就整合在一起好了，這樣子，不同類別就出來了。

這就是聚類，算法中，K-Mean，PCA，很多深度學習的算法，都是無監(jiān)督學習。

兩者的區(qū)別

1、監(jiān)督學習必須有訓練樣本及測試樣本，對訓練樣本進行訓練得到規(guī)律，再用這個規(guī)律來運用在測試樣本上；當時無監(jiān)督學習就不用，一組數(shù)據(jù)，啥都沒有，直接就扔給計算機，讓它自己算。

2、監(jiān)督學習必須有標簽，無監(jiān)督學習不用標簽，讓計算機自己去分類，然后我們?nèi)斯じ鶕?jù)業(yè)務情況打上標簽。

兩者的使用場景

這個說簡單也挺簡單，根據(jù)業(yè)務方來定，如果業(yè)務方給了一組數(shù)據(jù)，然后還告知了類別，那就用監(jiān)督學習，反著，則用無監(jiān)督學習。