监督学习和无监督学习有何不同？

监督学习（Supervised Learning）

在监督学习中，我们根据已有的数据集，已知我们的正确输出，并且认为输入和输出之间存在一定的关系。监督学习问题分为“回归”和“分类”问题。

回归（regression）

在回归问题中，我们试图预测连续输出中的结果，这意味着我们试图将输入变量映射到某个连续函数。

eg：给定有关房地产市场上房屋大小的数据，请尝试预测其价格。 价格作为房屋大小的函数是一个连续的输出，因此这是一个回归问题。

分类（classification）

在分类问题中，我们改为尝试预测离散输出的结果。 换句话说，我们正在尝试将输入变量映射为离散类别。

eg：对于患有肿瘤的患者，我们必须预测肿瘤是恶性还是良性的。因此，我们可以从一组数据集中找到良/恶性肿瘤与患者年龄、肿瘤大小等的关系，判定结果是0/1（恶性与良性），因此是离散的，属于分类模型。

无监督学习（Unsupervised Learning）

在无监督学习中，我们只有一个数据集，而不知道该数据集的内在关系，自行寻找某种结构。在无监督学习的情况下，没有基于预测结果的反馈，算法需要自动找到这些没有标记的数据里面的数据结构和特征。

聚类（Clustering）

将无标签的数据集划分为多个不相交的子集，每个子集就是一类/簇，由聚类所生成的簇是一组数据对象的集合，这些对象与同一个簇中的对象彼此相似，与其他簇中的对象相异。“物以类聚，人以群分”，可以类比理解。
eg：收集1,000,000个不同的基因，然后找到一种方法，将这些基因自动分组为通过不同变量（例如寿命，位置，角色等）在某种程度上相似或相关的组。如下图所示：

非集群（Non-clustering）

与聚类相对应，“鸡尾酒会算法”，使您可以在混乱的环境中找到结构。 （即在鸡尾酒会上从一连串的声音中识别出个人的声音和音乐）。

区别

监督学习——“right answers” given

无监督学习——no answers given

（读斯坦福吴恩达教授机器学习课程笔记）