[文章轉貼] 通透！ ！監督學習與無監督學習全總結！
文章轉自微信公眾號:機器學習與人工智慧AI 文章原始連結: https://mp.weixin.qq.com/s/-h22tpCi-ewjymG1INcRng 咱們今天詳細資訊的總結一下有監督和無監督演算法的區別和聯繫！ ！ 監督學習和無監督學習是機器學習中兩種基本的學習範式，它們之間的主要區別在於訓練資料的標籤資訊是否提供。 監督學習（Supervised Learning）： 標籤資訊： 監督學習使用帶有標籤的訓練資料。這意味著每個訓練樣本都有一個相關聯的標籤，即對應的輸出或目標值。 任務類型： 監督學習用於解決分類和回歸等任務。在分類任務中，模型預測輸入資料屬於哪個類別；而在迴歸任務中，模型預測一個連續值。 學習過程： 模型透過學習輸入與對應標籤之間的關係來進行訓練。演算法透過最小化預測值與實際標籤之間的差距來優化模型。 例： 支援向量機（SVM）、決策樹、神經網路等都是監督學習的例子。 無監督學習（Unsupervised Learning） 標籤資訊： 無監督學習使用沒有標籤的訓練資料。訓練樣本不包含對應的輸出或目標值。 任務類型： 無監督學習用於聚類、降維和關聯規則挖掘等任務。在聚類任務中，演算法試圖將資料集中的樣本分為不同的群組；在降維任務中，演算法試圖減少資料的維度；在關聯規則挖掘中，演算法試圖找到資料中的關聯性。 學習過程： 模型在沒有明確目標的情況下，自動發現資料中的結構和模式。它不需要事先知道正確的輸出。 例： K均值聚類、主成分分析（PCA）、Apriori演算法等都是無監督學習的例子。 差別 數據標籤： 監督學習使用標籤的數據，而無監督學習使用沒有標籤的數據。 任務類型： 監督學習用於分類和回歸等標籤任務，而無監督學習用於聚類、降維和關聯規則挖掘等無標籤任務。 學習過程： 監督式學習著重於模型預測與真實標籤的關係，而無監督學習則著重於發現資料中的模式和結構，不依賴事先提供的輸出資訊。 監督學習演算法範例 支援向量機（Support Vector Machine，SVM） 支援向量機是一種用於分類和迴歸分析的監督學習演算法。其基本思想是找到一個超平面，該超平面能夠將...