本文轉(zhuǎn)載自公眾號“讀芯術(shù)”(ID：AI_Discovery)

當你踏上機器學習之旅時，搞清楚監(jiān)督學習和無監(jiān)督學習是你應(yīng)該做的第一件事。而對于新手而言，“監(jiān)督學習和無監(jiān)督學習有什么區(qū)別?”，是最為常見不過的問題。

其答案在于理解機器學習算法的本質(zhì)。如果沒有明確監(jiān)督學習和無監(jiān)督學習之間的區(qū)別，你的學習之旅將無法前行。

如果sSDBQIF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，就沒法直接進入模型構(gòu)建階段。

如果不知道機器學習算法的目標是什么，就無法建立一個精確的模型。這就是監(jiān)督學習和無監(jiān)督學習的由來。

本文就將幫你解決這個問題，再友情奉送另一個關(guān)鍵問題：如何決定何時使用監(jiān)督學習或無監(jiān)督學習?

什么是監(jiān)督學習?

在監(jiān)督學習中，計算機通過示例學習。它從過去的數(shù)據(jù)中學習，并將學習的結(jié)果應(yīng)用到當前的數(shù)據(jù)中，以預測未來的事件。在這種情況下，輸入和期望的輸出數(shù)據(jù)都有助于預測未來事件。

為了準確預測，將輸入數(shù)據(jù)標記為正確答案。

監(jiān)督機器學習分類

重要的是，要記?。核斜O(jiān)督學習算法本質(zhì)上都是復雜算法，分為分類或回歸模型。

• 回歸模型—回歸模型用于輸出變量為實際值的問題，例如單一的數(shù)字、美元、薪水、體重或壓力。它最常用于根據(jù)先前的觀測數(shù)據(jù)來預測數(shù)值。一些比較常見的回歸算法包括線性回歸、邏輯回歸、多項式回歸和脊回歸。
• 分類模型—分類模型用于可以對輸出變量進行分類，例如“是”或“否”、“通過”或“失敗”。分類模型用于預測數(shù)據(jù)的類別?，F(xiàn)實生活中的例子包括垃圾郵件檢測、情緒分析、考試記分卡預測等。

監(jiān)督學習算法在現(xiàn)實生活中有一些非常實際的應(yīng)用，包括：

• 文本分類
• 垃圾郵件檢測
• 天氣預報
• 根據(jù)當前市場價格預測房價
•  股票價格預測等
• 人臉識別
• 簽名識別
• 客戶發(fā)現(xiàn)

什么是無監(jiān)督學習?

無監(jiān)督學習是訓練機器使用既未分類也未標記的數(shù)據(jù)的方法。這意味著無法提供訓練數(shù)據(jù)，機器只能自行學習。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。

其理念是先讓計算機與大量變化的數(shù)據(jù)接觸，并允許它從這些數(shù)據(jù)中學習，以提供以前未知的見解，并識別隱藏的模式。因此，無監(jiān)督學習算法不一定有明確的結(jié)果。相反，它確定了與給定數(shù)據(jù)集不同或有趣之處。

計算機需要編程才能自學。計算機需要從結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)中理解和提供見解。以下是無監(jiān)督學習的準確說明：

無監(jiān)督機器學習分類

• 聚類是最常見的無監(jiān)督學習方法之一。聚類的方法包括將未標記的數(shù)據(jù)組織成類似的組，稱為聚類。因此，聚類是相似數(shù)據(jù)項的集合。此處的主要目標是發(fā)現(xiàn)數(shù)據(jù)點中的相似性，并將相似的數(shù)據(jù)點分組到一個聚類中。
• 異常檢測是識別與大多數(shù)數(shù)據(jù)顯著不同的特殊項、事件或觀測值的方法。通常在數(shù)據(jù)中尋找異?；虍惓Ｖ档脑蛟谟谒鼈兪强梢傻?。異常檢測常用于銀行欺詐和醫(yī)療差錯檢測。

無監(jiān)督學習算法的應(yīng)用

無監(jiān)督學習算法的一些實際應(yīng)用包括：

• 惡意軟件檢測
• 數(shù)據(jù)輸入過程中人為錯誤識別
• 進行準確的購物籃分析等
• 欺詐檢測

應(yīng)該什么時候選擇監(jiān)督學習或無監(jiān)督學習?

在制造業(yè)中，有很多因素影響哪種機器學習方法最適合任何給定的任務(wù)。而且，由于每個機器學習問題的獨特性，決定使用哪種技術(shù)是一個復雜的過程。

一般來說，選擇正確機器學習方法的一個好策略是：

• 評估數(shù)據(jù)。標記與否?是否有專家知識支持附加標記?這將有助于確定是否應(yīng)使用監(jiān)督、無監(jiān)督、半監(jiān)督或強化的學習方法。
• 審查可用的算法，其可能適合維度問題(特征、屬性或特征的數(shù)量)。候選算法應(yīng)適合于整個數(shù)據(jù)量以及其結(jié)構(gòu)。
• 研究成功案例，關(guān)于類似問題上應(yīng)用的算法類型。
• 定義目標。被定義的問題是否反復出現(xiàn)?是否期望算法能預測新的問題?

監(jiān)督學習和無監(jiān)督學習是機器學習領(lǐng)域中的關(guān)鍵概念，這應(yīng)該是你開始學習機器學習的第一課，一定要理解透徹呀!