监督学习与无监督学习

一，监督学习

1.1 概念

监督学习（Supervised Learning）是机器学习的一种主要范式，它涉及使用带有标签的训练数据来训练模型，以便模型能够学习输入数据和输出标签之间的关系。在监督学习中，我们的目标是让模型从已知的训练数据中推断出一个映射，然后将该映射应用于新的未标记数据，以进行预测或分类。

1.2 任务类型

1.2.1 分类：在分类任务中，模型的目标是将输入数据映射到一个离散的类别或标签。例如，垃圾邮件分类、图像识别、疾病诊断等都是分类问题的示例。
举例：乳腺癌检测：学习算法必须决定如何通过这些数据来拟合边界线（良性肿瘤和恶性肿瘤的分界线）

1.2.2 回归：在回归任务中，模型的目标是预测一个连续的数值输出（预测数字）。例如，房价预测、股票价格预测等都是回归问题的示例。
举例：房价预测

1.3笔记

监督学习最常见的是指学习x到y或者输入到输出的映射算法。
就是说你需要提供一些数据，这些数据输入输出有正确答案，不断学习，最终学习算法学会输入而不需要输出标签并且给出合理准确的预测。
例如：语音识别，机器翻译，广告推荐

1.4其它相关概念

1.4.1模型选择：在监督学习中，可以选择不同类型的模型来执行任务，包括线性回归、决策树、支持向量机、神经网络等。选择合适的模型通常取决于问题的性质和数据的特征。

1.4.2评估模型：为了评估监督学习模型的性能，通常会将其应用于测试数据集，并使用不同的性能指标，如准确率、精确度、召回率、均方误差等来衡量模型的效果。

1.4.3泛化：监督学习的关键目标是使模型具有良好的泛化能力，即在未见过的数据上也能够进行准确的预测。这可以通过合理划分训练集和测试集、特征工程、正则化等方法来实现。

二，无监督学习

2.1概念

无监督学习（Unsupervised Learning）是机器学习的一种主要范式，与监督学习不同，它不依赖于带有标签的训练数据来进行建模和预测。无监督学习的目标是从未标记的数据中发现数据中的结构、模式、关系或规律。

2.2特点

无标签数据：在无监督学习中，训练数据没有与之相关联的目标标签。这意味着模型需要自行发现数据中的模式，而不是依赖于预定义的标签来指导学习过程。

2.3任务

聚类（Clustering）：聚类任务涉及将数据分成不同的组或簇，以便每个组内的数据点相似度较高，而不同组之间的数据点差异较大。K均值聚类和层次聚类是常见的聚类算法。
降维（Dimensionality Reduction）：降维任务旨在减少数据的维度，同时保留尽可能多的信息。主成分分析（PCA）和t-分布邻域嵌入（t-SNE）是常用的降维技术。
异常检测：识别数据集中的异常或不正常的数据点，这些数据点与正常模式明显不同。异常也被称为离群值（Outliers）或异常值，它们可能表示数据中的错误、异常情况、欺诈、故障或其他不寻常的事件。
关联规则挖掘（Association Rule Mining）：关联规则挖掘用于识别数据集中项之间的关联性，例如购物篮分析，以确定哪些商品经常一起购买。
模式发现：无监督学习的目标是发现数据中的内在结构、模式和规律，而不是为了进行分类或预测。这使其在数据探索和特征工程中有用。

2.4应用领域

无监督学习在各种领域中有广泛的应用，包括推荐系统、图像分割、社交网络分析、自然语言处理、异常检测、数据压缩等。

2.5评估

与监督学习不同，无监督学习的模型评估通常更为复杂，因为没有标签可以直接用于评估性能。评估通常涉及使用内部指标（如轮廓系数、方差解释比）或外部指标（如聚类的稳定性、降维后的分类性能）来衡量模型的质量。