机器学习基础unsupervised 和supervised学习

1、定义

引用维基百科和百度百科。

监督式学习 （英语 ：Supervised learning ），是一个机器学习 中的方法，可以由训练资料中学到或建立一个模式（函数 / learning model），并依此模式推测新的实例。 训练资料是由输入物件（通常是向量）和预期输出所组成。函数的输出可以是一个连续的值（称为回归分析），或是预测一个分类标签（称作分类）。（wikipedia）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，也称为监督训练或有教师学习。（baidu）

无监督学习/非监督式学习(unsupervised learning):设计分类器时候，用于处理未被分类标记的样本集。监督学习中在给予计算机学习样本的同时，还告诉计算各个样本所属的类别。若所给的学习样本不带有类别信息,就是无监督学习。（baidu）

非监督式学习 是一种机器学习 的方式，并不需要人力来输入标签。它是监督式学习 和强化学习 等策略之外的一种选择。在监督式学习中，典型的任务是分类和回归分析 ，且需要使用到人工预先准备好的范例。 一个常见的非监督式学习是数据聚类 。

百度百科和维基百科定义有点抽象，为了更为简明的在神经网络学习中进行表述，我们给出我们对监督学习和非监督学习的定义：

监督式学习：能够通过训练样本集或专家知识构建已知且确定的判定函数，并根据训练集和该判定函数形成模型改进策略，对模型参数进行不断改进，完成模型学习的过程称为监督式学习；如果无法从训练样本集或专家知识构建确定的判定函数，而通过训练集与一给定的判定函数进行模型参数不断改进，完成学习的过程称为非监督式学习。