中级经济师监督学习与无监督学习

一:什么是监督学习?监督学习（supervised learning）：通过已有的训练样本（即已知数据以及其对应的输出）来训练，从而得到一个最优模型，再利用这个模型将所有新的数据样本映射为相应的输出结果，对输出结果进行简单的判断从而实现分类的目的，那么这个最优模型也就具有了对未知数据进行分类的能力。监督学习中只要输入样本集,机器就可以从中推演出制定目标变量的可能结果.如协同过滤推荐算法,通过对训练集进行监督学习,并对测试集进行预测,从而达到预测的目的.一:什么是无监督学习?无监督学习（unsupervised learning）：我们事先没有任何训练数据样本，需要直接对数据进行建模。比如我们去参观一个画展，我们对艺术一无所知，但是欣赏完很多幅作品之后，我们面对一幅新的作品之后，至少可以知道这幅作品是什么派别的吧，比如更抽象一些还是更写实一点，虽然不能很清楚的了解这幅画的含义，但是至少我们可以把它分为哪一类。再比如我们在电影院看电影，对于之前没有学过相关电影艺术知识的我们，可能不知道什么是一部好电影，什么是一部不好的电影，可是在观看了很多部电影之后，我们脑中对电影就有了一个潜在的认识，当我们再次坐在电影院认真观看新上映的电影时，脑中就会对这部电影产生一个评价：怎么这电影这么不好啊，整个故事线是混乱的，一点也不清晰，比我之前看过的那些电影差远了，人物的性格也没有表现出来，关键是电影主题还搞偏了；哎呀，这个电影拍得确实好啊，故事情节和人物性格都很鲜明，而且场景很逼真，主角的实力表演加上他与生俱来的忧郁眼神一下把人物演活了。再给大家举一个无监督学习的例子。远古时期，我们的祖先打猎吃肉，他们本身之前是没有经验而言的，当有人用很粗的石头去割动物的皮的时候，发现很难把皮隔开，但是又有人用很薄的石头去割，发现比别人更加容易的隔开动物的毛皮，于是，第二天、第三天、……，他们就知道了需要寻找比较薄的石头片来割。这些就是无监督学习的思想，外界没有经验和训练数据样本提供给它们，完全靠自己摸索。 总结回想刚才所提到的监督学习和无监督学习两种方法，或许很多人都会认为任何事情有人教当然很好了啊，所有监督学习更方便快捷嘛，大部分情况确实这样，但是如果有些情况比如无法提供训练数据样本或者提供训练数据样本的成本太高的话，或许我们就应该采取无监督学习的策略了。监督学习的典型例子就是决策树、神经网络以及疾病监测，而无监督学习就是很早之前的西洋双陆棋和聚类。

监督学习与无监督学习的区别：

1、原理不同

监督学习是指利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程。无监督学习指根据类别未知(没有被标记)的训练样本解决模式识别中的各种问题的过程。

2、算法不同

监督学习的算法是通过分析已知类别的训练数据产生的。无监督学习的算法主要有主成分分析方法、等距映射方法、局部线性嵌入方法、拉普拉斯特征映射方法、黑塞局部线性嵌入方法和局部切空间排列方法等。

3、适用条件不同

监督学习适用于样本数据已知的情况。非监督学习适用于无类别信息的情况。

以上回答参考：百度百科-监督学习、百度百科-无监督学习

监督学习是在给定标签的训练数据上进行学习，非监督学习是在没有标签的训练数据上进行学习。

1、监督学习

监督学习是在具有标签的训练数据上进行学习。在监督学习中，训练数据包括输入特征和对应的标签或输出值。通过使用这些标签作为参考闹枣，算法可以学习输入特征和输出之间的关系，从而能够对新的输入数据进行准确的预测或分类。

2、非监督学习

非监督学习是在没有标签的训练数据上进拦埋行学习。在非监督学习中，算法需要自行发现数据中的模式、关系，而不依赖于外部标签或参考。非监督学习的目标通常是对数据进行聚类、降维或异常检测等任务。常见的非监督学习算法包括聚类算法、主成分分析、自组织映射等。

3、应用场景上的区别

监督学习更适用于已经有标签的数据集，可以用于分类、回归等任务。根据历史数据的标签，可以训练一个监督学习模型来预测新的未知样本的类别或值。而非监督学习则更适用于无标签的数据集，可以帮助发现数据中的内在结构、特征或模式，为后续的分析和理解提供基础。

监督学习中的半监督学习：

1、半监督学习

半监督学习是机器学习领域中一种介于监督学习和非监督学习之间的学习方式。与标准的监督学习不同，半监督学习中只有一小部分数据是有标注的，即只有部分训练数据是带标签的，剩余的数据没有标注。半监督学习是让计算机在少数据条件下提高某个模型准确度的技术之一。

2、半监督核心

半监督学习的核心是利用少量的带有标签的数据来指导机器学习无标签的数据之间的相似性和分类规律。考虑一个学习分类任务的例子，在正常的监督学习中，人们需要足够的有标签数据来训练分类器。

3、半监督学习的应用

半监督学习的应用有很多，从图像、拦埋音频和自然语言处理到异常检测和其他领简弯蚂域都有广泛的应用。半监督学习为许多真实世界的应用提供了解决方案，这些应用极大地减少了依赖于标记数据的成本和时间。