ML1_监督学习&无监督学习

发现自己机器学习学的一坨，重新学！

1、监督学习（Supervised Learning）：

• 监督学习是通过使用带有标签的训练数据去训练模型，每个输入样本都有相应的输入特征和对应的预期输出（标签）
• 监督学习的目标是通过模型学习输入与输出之间的映射关系，从而能够对未标记的输入进行预测。
• 典型的监督学习算法包括线性回归、逻辑回归、决策树、支持向量机等。

2、无监督学习（Unsupervised Learning）：

• 无监督学习是通过使用不带标签的训练数据去训练模型，其中训练样本只包含输入特征，没有对应的输出标签。
• 无监督学习的目标是发现数据中的模式、结构和关系，对数据进行聚类、降维、异常检测等任务。
• 无监督学习算法试图从输入数据中找到隐藏的结构或规律，以便更好地理解数据本身。
• 典型的无监督学习算法包括聚类方法如K均值聚类、层次聚类，降维方法如主成分分析（PCA）和自编码器等。

总而言之：

        监督学习适用于有已知输出的问题，无监督学习适用于需要发现数据内在结构的问题。具体选择哪种学习方法取决于问题的性质和可用的数据。