监督学习与无监督学习和K聚类算法

监督学习

• 百度给的定义是指：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。
• 监督学习是从已经标记的训练数据（比如我们有一个监督学习算法，我们对于输入的图像来说，我们是已知它的类别的）来推断一个功 能的机器学习任务。
• 输入了一个值，我们输出一个值，其所在的监督学习算法是分析该训练数据，我们得到了一个映射，我们使用这个映射可以进行分类。我们使用这个映射对于我们需要检测的数据进行检测。
• 标记的训练数据：我们的样本是特征（比如图像），标签（比如图像的类别）这两者，我们使用数据集中的特征与其对应的标签，我们调整分类器的参数，我们不断重复这个过程，分类器的精准度会一般会不断的提高。
• 输入一个新的特征向量，对于这个新的特征向量，得到其标签。
• 监督学习在神经网络的，决策树算法里面有应用。

无监督学习

对于我们要使用的数据集的特征与标签之间的的关系，我们是未知的。其中的关系对于我们要通过某种操作（比如聚类）来获得。无监督学习机器要自己学习，无监督学习是没有标签让算法进行比对的。
K聚类是一种典型的无监督学习

K聚类算法

1 首先将数据分成K组，我们随机的选取K个对象作为最开始的聚类中心。
2 计算每个对象与聚类中心的聚类，我们把对象分配给离它最近的聚类中心。
3 一次分配完成以后，我们重新选取聚类中心，然后继续分配。
4 迭代这个过程，迭代的终止条件是我们终止条件可以是没有（或最小数目）对象被重新分配给不同的聚类，没有（或最小数目）聚类中心再发生变化，误差平方和局部最小。
我们使用K聚类算法可以实现对于图像的分割，K（分类的类别数）是由我们自己指定