监督学习，无监督学习，半监督学习的区别

1.监督学习

输入数据有特征值和目标值组成

回归：函数的输出是一个连续的值

分类：函数的输出是有限个离散的值

2.无监督学习

输入数据由输入特征值组成

输入数据没有被标记，也没有确定的结果，样本数据类别未知，需要根据样本间的相似性对样本进行分类（聚类，clustering），试图使类内差距最小化，类间差距最大化

3.半监督学习

训练集同时包含有标记样本和未标记样本数据，有特征值，但是一部分数据有目标值，一部分没有。

4.强化学习

自动进行决策。并且可以做连续决策动态过程，上一步的数据输出是下一步的数据输入。

从给定的训练数据集中学习出一个函数（模型参数），当新的数据到来时，可以根据这个函数预测结果。监督学习的训练集要求包括输入输出，也可以说是特征和目标。训练集中的目标是由人标注的。监督学习就是最常见的分类（注意和聚类区分）问题，通过已有的训练样本（即已知数据及其对应的输出）去训练得到一个最优模型（这个模型属于某个函数的集合，最优表示某个评价准则下是最佳的），再利用这个模型将所有的输入映射为相应的输出，对输出进行简单的判断从而实现分类的目的。也就具有了对未知数据分类的能力。监督学习的目标往往是让计算机去学习我们已经创建好的分类系统（模型）。

监督学习是训练神经网络和决策树的常见技术。这两种技术高度依赖事先确定的分类系统给出的信息，对于神经网络，分类系统利用信息判断网络的错误，然后不断调整网络参数。对于决策树，分类系统用它来判断哪些属性提供了最多的信息。

常见的有监督学习算法：回归分析和统计分类。最典型的算法是KNN和SVM。
————————————————
版权声明：本文为CSDN博主「风翼冰舟」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/zb1165048017/article/details/48579677