监督学习与无监督学习是什么？关键区别在有没有答案

机器学习方法很多，但刚入门时可以先问一个非常实用的问题：训练数据里有没有标准答案？

这个问题把常见任务分成了监督学习和无监督学习。

监督学习：拿着答案练习

监督学习使用带标签的数据训练模型。

例如垃圾短信识别的数据可能长这样：

短信内容是输入，标签是正确答案。模型先作出预测，再把预测和答案比较，根据错误调整参数。

常见监督学习任务包括：

• 分类：预测类别；
• 回归：预测连续数值；
• 图像识别、文本分类和价格预测。

无监督学习：没有答案，自己找结构

无监督学习的数据没有预先给出的标签。模型要做的是发现样本之间的结构、相似性或分布规律。

例如商店拥有大量用户消费记录，却没有给用户分类。聚类算法可以根据消费习惯，把相似用户分到同一组。

常见无监督学习任务包括：

• 聚类；
• 降维；
• 异常检测；
• 数据分布探索。

两者不是谁更高级

它们解决的是不同问题。

有明确答案并且希望预测新样本时，通常考虑监督学习；没有标签，只想探索数据结构时，可以考虑无监督学习。

现实项目还会遇到半监督学习、自监督学习和强化学习。初学阶段不必一次记完，先掌握“有没有人工提供的答案”这条主线。

最容易混淆的地方

“监督”不是有人盯着电脑训练，而是数据中存在用于监督模型学习的目标值。

无监督学习也不是随便学习。它仍然有明确的算法目标，例如让同一组里的样本更相似、不同组之间差异更大。

这一课先记住什么

• 有标签、需要学习输入到答案的映射：监督学习。
• 没有标签、需要发现数据内部结构：无监督学习。

下一课继续拆分监督学习：分类和回归到底有什么不同。