监督学习与非监督学习的联系与区别

联系

1. 目标相似：两者都旨在从数据中提取有用的信息或模式，以解决具体问题或进行预测。
2. 算法使用：一些算法可以在不同的情境下用于监督学习和非监督学习。例如，k-最近邻（k-NN）可以用于分类（监督学习）和聚类（非监督学习）。
3. 数据表示：在很多情况下，监督学习和非监督学习都使用相似的数据表示形式，即特征向量。
4. 预处理步骤：两者在数据预处理上有很多共通之处，例如归一化、标准化和降维等技术。

区别

监督学习

1. 定义：

   • 有标签数据：监督学习使用标注过的数据集进行训练，数据集中包含输入特征和对应的目标标签。
   • 目标：学习从输入特征到目标标签的映射函数，能够对新数据进行预测。

2. 常见任务：

   • 分类：例如，垃圾邮件检测、图像分类。
   • 回归：例如，房价预测、股票价格预测。

3. 算法示例：

   • 线性回归
   • 逻辑回归
   • 决策树
   • 支持向量机（SVM）
   • 神经网络
   • k-最近邻（k-NN）

4. 评价指标：

   • 准确率、精确率、召回率、F1得分（分类）
   • 均方误差（MSE）、平均绝对误差（MAE）等（回归）

非监督学习

1. 定义：

   • 无标签数据：非监督学习使用未标注的数据集进行训练，数据集中只有输入特征，没有目标标签。
   • 目标：发现数据中的隐藏结构或模式。

2. 常见任务：

   • 聚类：例如，客户分群、图像分割。
   • 降维：例如，主成分分析（PCA）、t-SNE。
   • 关联规则：例如，购物篮分析。

3. 算法示例：

   • k-means聚类
   • 层次聚类
   • 主成分分析（PCA）
   • 独立成分分析（ICA）
   • t-SNE（t-分布随机近邻嵌入）
   • 关联规则学习（Apriori算法）

4. 评价指标：

   • 聚类效果评估（如轮廓系数、SSE）
   • 降维效果评估（如解释方差）

总结

• 数据类型：监督学习需要有标签的数据，而非监督学习处理无标签的数据。
• 目标：监督学习的目标是预测或分类新数据，而非监督学习的目标是发现数据的内在结构或模式。
• 应用场景：监督学习常用于预测和分类任务，而非监督学习常用于数据探索、分群和降维任务。