监督学习与非监督学习的区别

监督学习： 监督学习是对模型的学习，其中包含输入变量（例如，x）和输出变量（例如，Y）以及将输入映射到输出的算法。 就是， Y = f(X)

为什么是监督学习？ 基本目标是很好地逼近映射函数（如上所述），以便在有新的输入数据（x）时，可以预测相应的输出变量。

它被称为监督学习，因为学习过程（来自培训数据集）可以被视为监督整个学习过程的教师。因此，“学习算法”迭代地对训练数据进行预测，并由“教师”进行纠正，当算法达到可接受的性能水平（或期望的精度）时，学习停止。

监督学习的例子 假设有一个装满新鲜水果的篮子，任务是把同一种水果放在一个地方。 另外，假设水果是苹果、香蕉、樱桃、葡萄。

假设一个人已经从他们的 以前的工作 （或经验）篮子里的每一个水果的形状，使他们很容易把同一种水果放在一个地方。

在这里，前面的工作被称为 训练数据 在数据挖掘术语中。因此，它从训练数据中学习到了一些东西。这是因为它有一个响应变量，表示y，如果某些水果具有某某特征，那么它就是葡萄，对于每个水果也是如此。

该模型所使用的数据类型被解密。 这种类型的学习被称为 监督学习 . 这些问题列在经典问题下 分类任务 . 无监督学习： 无监督学习是指只存在输入数据（比如X），而不存在相应的输出变量的学习。

为什么是无监督学习？ 无监督学习的主要目的是对数据中的分布进行建模，以便更好地了解数据。

之所以这样叫，是因为没有正确的答案，也没有这样的老师（不像监督学习）。算法由它们自己设计，以发现和呈现数据中有趣的结构。

无监督学习的例子 同样，假设有一个篮子，里面装满了一些新鲜水果。任务是把同一种水果放在一个地方。

这一次事先没有关于这些水果的信息，这是第一次看到或发现这些水果

那么，如何在事先不知道的情况下对类似的水果进行分组呢。 首先，选择特定水果的任何物理特征。认为 颜色 .

然后根据颜色排列水果。分组如下所示： 红色组 ：苹果和樱桃水果。 绿色组 ：香蕉和葡萄。

现在，再看另一个物理角色， 大小 ，所以现在小组将是这样的。 红色 和 大尺寸 ：苹果。 红色 及 小尺寸 ：樱桃水果。 绿色 和 大尺寸 ：香蕉。 绿色 和 小尺寸 ：葡萄。 工作完成了！ 在这里，没有必要事先知道或学习任何东西。也就是说，没有列车数据和响应变量。这种类型的学习被称为 无监督学习 .

有监督和无监督学习的区别：