即将开播：4月29日，民生银行郭庆谈商业银行金融科技赋能的探索与实践

本文转载自公众号“读芯术”(ID：AI_Discovery)

当你踏上机器学习之旅时，搞清楚监督学习和无监督学习是你应该做的第一件事。而对于新手而言，“监督学习和无监督学习有什么区别?”，是最为常见不过的问题。

其答案在于理解机器学习算法的本质。如果没有明确监督学习和无监督学习之间的区别，你的学习之旅将无法前行。

如果sSDBQIF不了解线性回归、逻辑回归、聚类、神经网络等算法的适用范围，就没法直接进入模型构建阶段。

如果不知道机器学习算法的目标是什么，就无法建立一个精确的模型。这就是监督学习和无监督学习的由来。

本文就将帮你解决这个问题，再友情奉送另一个关键问题：如何决定何时使用监督学习或无监督学习?

什么是监督学习?

在监督学习中，计算机通过示例学习。它从过去的数据中学习，并将学习的结果应用到当前的数据中，以预测未来的事件。在这种情况下，输入和期望的输出数据都有助于预测未来事件。

为了准确预测，将输入数据标记为正确答案。

监督学习or无监督学习？这个问题必须搞清楚

监督机器学习分类

重要的是，要记住：所有监督学习算法本质上都是复杂算法，分为分类或回归模型。

回归模型—回归模型用于输出变量为实际值的问题，例如单一的数字、美元、薪水、体重或压力。它最常用于根据先前的观测数据来预测数值。一些比较常见的回归算法包括线性回归、逻辑回归、多项式回归和脊回归。
分类模型—分类模型用于可以对输出变量进行分类，例如“是”或“否”、“通过”或“失败”。分类模型用于预测数据的类别。现实生活中的例子包括垃圾邮件检测、情绪分析、考试记分卡预测等。

监督学习算法在现实生活中有一些非常实际的应用，包括：

什么是无监督学习?

无监督学习是训练机器使用既未分类也未标记的数据的方法。这意味着无法提供训练数据，机器只能自行学习。机器必须能够对数据进行分类，而无需事先提供任何有关数据的信息。

其理念是先让计算机与大量变化的数据接触，并允许它从这些数据中学习，以提供以前未知的见解，并识别隐藏的模式。因此，无监督学习算法不一定有明确的结果。相反，它确定了与给定数据集不同或有趣之处。

计算机需要编程才能自学。计算机需要从结构化和非结构化数据中理解和提供见解。以下是无监督学习的准确说明：

无监督机器学习分类

聚类是最常见的无监督学习方法之一。聚类的方法包括将未标记的数据组织成类似的组，称为聚类。因此，聚类是相似数据项的集合。此处的主要目标是发现数据点中的相似性，并将相似的数据点分组到一个聚类中。
异常检测是识别与大多数数据显著不同的特殊项、事件或观测值的方法。通常在数据中寻找异常或异常值的原因在于它们是可疑的。异常检测常用于银行欺诈和医疗差错检测。