有监督学习和无监督学习的异同

有监督学习

即训练数据同时拥有输入变量(x)和输出变量(y);使用一个算法把输入到输出的映射关系——y=f(x)训练成一个模型，用这个模型对新的数据进行预测。

无监督学习

即训练数据只有输入变量(x)，并没有输出变量(y)，无监督学习的目的就是将这些训练数据潜在的结构或者分布找出来，类似于去探索。

两者主要在于训练数据是否有输出变量也就是标签。

实际应用

在实际问题的应用中，还是以有监督学习为主流。主要原因还是有监督学习更容易得到切实有用的结果，毕竟预测结果可控，优化目标明确，因此只有方法得当，数据质量好，一般都可以得到高质量的模型。但是，有监督学习的主要问题是数据标注的成本。随着移动互联网的发展，数据的量级发生了质的改变，加之，数据标注工作还需要一定的业务基础，所以数据标注的成本也越来越高，像现在的图像识别，数据量大，特征多，标注成本非常高。另外，大规模采用人工标注的化，还会面临一致性的问题，也是不容忽视的。所以，随着大数据技术的日益发展，在机器学习和人工智能领域，无监督学习也越来越收到重视了。

机器学习中，所有的聚类算法都是无监督学习算法，例如K-Means、主成分分析（PCA）、高斯混合模型（GMM）等；

所有的回归算法和分类算法都是监督学习算法，例如KNN、逻辑回归、朴素贝叶斯等