介紹
監督學習和無監督學習有什麼區別？
對於機器學習的初學者和新手來說，這是一個常見的問題。答案是理解機器學習算法本質的核心。如果沒有明白監督學習與無監督學習之間的區別，你的機器學習之旅就無法繼續進行。
實際上，這是你踏上機器學習之旅之初應該學習的東西。如果我們不瞭解線性迴歸，邏輯迴歸，聚類，神經網絡等算法的適用範圍，就不能簡單地跳到模型構建階段。
如果我們不知道機器學習算法的目標是什麼，我們將無法建立一個準確的模型。這就是監督學習與無監督學習的由來。
在這篇文章中，我將用例子討論這兩個概念，並回答一個大問題——如何決定何時使用監督學習或非監督學習?
什麼是監督學習？
在監督學習中，計算機是通過數據來訓練的。它從過去的數據中學習，並將學習到的東西應用到現在的數據中，以預測未來的事件。在這種情況下，輸入數據和期望的輸出數據都爲預測未來事件提供幫助。
爲了準確預測，輸入數據被標記了正確的類別。
監督機器學習分類
重要的是要先記住，所有有監督學習算法本質上都是複雜的算法，分爲分類或迴歸模型。
1） 分類模型：分類模型用於輸出變量可以分類的問題，例如“是”或“否”、“通過”或“失敗”。分類模型用於預測數據的類別。現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。
2） 迴歸模型：迴歸模型用於輸出變量爲實際值的問題，例如唯一的數字、美元、工資、體重或壓力。它通常用於根據先前的數據觀測預測數值。一些比較常見的迴歸算法包括線性迴歸、logistic迴歸、多項式迴歸和嶺迴歸。
監督學習算法在現實生活中有一些非常實際的應用，包括：
- 文本分類
- 人臉檢測
- 簽名識別
- 客戶發現
- 垃圾郵件檢測
- 天氣預報
- 根據當前市場價格預測房價
- 股票價格預測等
什麼是無監督學習？
另一方面，無監督學習是訓練機器使用既沒有分類也沒有標記的數據的方法，這意味着不能提供任何訓練數據，機器只能自己學習。機器必須能夠對數據進行分類，而無需事先提供任何有關數據的信息。
其思想是將機器暴露在大量變化的數據中，並允許它從這些數據中學習，以提供以前未知的見解，並識別隱藏的模式。因此，沒有必要定義無監督學習算法的結果，相反，它確定了與給定數據集不同或有趣的內容。
這臺機器需要編程才能自動學習。計算機需要理解結構化和非結構化數據。以下是無監督學習的精確說明：![機器學習基礎 | 監督學習與無監督學習的快速入門指南]()
1)聚類是最常見的無監督學習方法之一。聚類的方法包括將未標記的數據組織到稱爲聚類的集羣中。因此，集羣是類似數據項的集合。這裏的主要目標是發現數據點之間的相似性，並將相似的數據點分組到一個集羣中。
2)異常檢測是指識別與大部分數據有顯著差異的稀有項、事件或觀測值的方法。我們通常在數據中尋找異常或異常值，因爲它們是可疑的。異常檢測常用於銀行詐騙和醫療差錯檢測。
無監督學習算法的應用
無監督學習算法的一些實際應用包括： - 欺詐檢測
- 惡意軟件檢測
- 數據輸入過程中人爲錯誤的識別
- 進行精確的購物籃分析等
你應該怎麼選擇監督學習和無監督學習？
在製造業中，哪種機器學習方法最適合給定的任務受着有許多因素的影響。而且，由於每個機器學習問題都是不同的，決定使用哪種技術是一個複雜的過程。
一般來說，磨練正確機器學習方法的一個好策略是： - 評估數據。它有標籤嗎？是否有專家知識支持附加標籤？這將有助於確定是否應使用有監督、無監督、半監督或強化的學習方法
- 明確目標。這個問題是反覆出現的嗎？或者，該算法是否有望預測新的問題?
- 回顧在維數(特徵、屬性或特徵的數量)方面可能適合該問題的現有算法。候選算法應該適合整個數據量及其結構
- 研究算法類型在相似問題中的成功應用
最後的話
監督學習和非監督學習是機器學習領域的關鍵概念。在學習不同的機器學習算法之前，對基礎知識的正確理解是非常重要的。
原文鏈接：https://www.analyticsvidhya.com/blog/2020/04/supervised-learning-unsupervised-learning/
