機(jī)器學(xué)習(xí)主要分為：有監(jiān)督學(xué)習(xí)，無(wú)監(jiān)督學(xué)習(xí)，以及半監(jiān)督學(xué)習(xí)等。小編今天給大家分享的主要是有監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)的比較，希望對(duì)于大家機(jī)器學(xué)習(xí)有所幫助。

一、首先來(lái)了解一下有監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)的概念

1、有監(jiān)督學(xué)習(xí)(supervised learning)是指從給定的訓(xùn)練數(shù)據(jù)集中學(xué)習(xí)出一個(gè)函數(shù)(模型參數(shù))，當(dāng)新的數(shù)據(jù)到來(lái)時(shí)，可以根據(jù)這個(gè)函數(shù)預(yù)測(cè)結(jié)果。有監(jiān)督學(xué)習(xí)的訓(xùn)練集要求包括輸入輸出，也可以說(shuō)是特征和目標(biāo)。訓(xùn)練集中的目標(biāo)是由人標(biāo)注的。

以此可以總結(jié)出 有監(jiān)督學(xué)習(xí)的特點(diǎn)：

(1)有標(biāo)簽的就是有監(jiān)督學(xué)習(xí)。

(2)  已經(jīng)標(biāo)記好的數(shù)據(jù)(labelled data)，用來(lái)做訓(xùn)練來(lái)預(yù)測(cè)新數(shù)據(jù)的類型(class)，或者是值。預(yù)測(cè)已有類型叫做分類(classification)，預(yù)測(cè)一個(gè)值叫做回歸(regression)。

(3)   常見的有監(jiān)督學(xué)習(xí)算法：回歸分析和統(tǒng)計(jì)分類。

常見的有監(jiān)督學(xué)習(xí)算法：回歸分析和統(tǒng)計(jì)分類。最典型的算法是KNN和SVM。

2、無(wú)監(jiān)督學(xué)習(xí)(或者非監(jiān)督學(xué)習(xí)，unsupervised learning)輸入數(shù)據(jù)沒(méi)有被標(biāo)記，也沒(méi)有確定的結(jié)果。樣本數(shù)據(jù)類別未知，需要根據(jù)樣本間的相似性對(duì)樣本集進(jìn)行分類(聚類，clustering)試圖使類內(nèi)差距最小化，類間差距最大化。無(wú)監(jiān)督學(xué)習(xí)是另一種研究的比較多的學(xué)習(xí)方法，它與監(jiān)督學(xué)習(xí)的不同之處，在于我們事先沒(méi)有任何訓(xùn)練樣本，而需要直接對(duì)數(shù)據(jù)進(jìn)行建模。

無(wú)監(jiān)督學(xué)習(xí)的方法分為兩大類：

(1)    一類為基于概率密度函數(shù)估計(jì)的直接方法：指設(shè)法找到各類別在特征空間的分布參數(shù)，再進(jìn)行分類。

(2)    另一類是稱為基于樣本間相似性度量的簡(jiǎn)潔聚類方法：其原理是設(shè)法定出不同類別的核心或初始內(nèi)核，然后依據(jù)樣本與核心之間的相似性度量將樣本聚集成不同的類別。

利用聚類結(jié)果，可以提取數(shù)據(jù)集中隱藏信息，對(duì)未來(lái)數(shù)據(jù)進(jìn)行分類和預(yù)測(cè)。應(yīng)用于數(shù)據(jù)挖掘，模式識(shí)別，圖像處理等。

PCA和很多deep learning算法都屬于無(wú)監(jiān)督學(xué)習(xí)。

二、有監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)的區(qū)別

1.有監(jiān)督學(xué)習(xí)方法必須要有訓(xùn)練集與測(cè)試樣本。在訓(xùn)練集中找規(guī)律，而對(duì)測(cè)試樣本使用這種規(guī)律。而無(wú)監(jiān)督學(xué)習(xí)沒(méi)有訓(xùn)練集，只有一組數(shù)據(jù)，在該組數(shù)據(jù)集內(nèi)尋找規(guī)律。

2.有監(jiān)督學(xué)習(xí)的方法就是識(shí)別事物，識(shí)別的結(jié)果表現(xiàn)在給待識(shí)別數(shù)據(jù)加上了標(biāo)簽。因此訓(xùn)練樣本集必須由帶標(biāo)簽的樣本組成。而無(wú)監(jiān)督學(xué)習(xí)方法只有要分析的數(shù)據(jù)集的本身，預(yù)先沒(méi)有什么標(biāo)簽。如果發(fā)現(xiàn)數(shù)據(jù)集呈現(xiàn)某種聚集性，則可按自然的聚集性分類，但不予以某種預(yù)先分類標(biāo)簽對(duì)上號(hào)為目的。

3.無(wú)監(jiān)督學(xué)習(xí)方法在尋找數(shù)據(jù)集中的規(guī)律性，這種規(guī)律性并不一定要達(dá)到劃分?jǐn)?shù)據(jù)集的目的，也就是說(shuō)不一定要“分類”。在這一點(diǎn)上無(wú)監(jiān)督學(xué)習(xí)比有監(jiān)督學(xué)習(xí)方法的用途要廣。

4.用無(wú)監(jiān)督學(xué)習(xí)方法分析數(shù)據(jù)集的主分量與用K-L變換計(jì)算數(shù)據(jù)集的主分量又有區(qū)別。后者從方法上講不是學(xué)習(xí)方法。因此用K-L變換找主分量不屬于無(wú)監(jiān)督學(xué)習(xí)方法，即方法上不是。而通過(guò)學(xué)習(xí)逐漸找到規(guī)律性這體現(xiàn)了學(xué)習(xí)方法這一點(diǎn)。在人工神經(jīng)元網(wǎng)絡(luò)中尋找主分量的方法屬于無(wú)監(jiān)督學(xué)習(xí)方法。

三、如何選擇有監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)

最簡(jiǎn)單的方法就是從定義入手，

有訓(xùn)練樣本則考慮采用監(jiān)督學(xué)習(xí)方法;

無(wú)訓(xùn)練樣本，則一定不能用監(jiān)督學(xué)習(xí)方法。

需要注意的是，實(shí)際應(yīng)用中，即使在沒(méi)有訓(xùn)練樣本的情況下，我們也能夠從待分類的數(shù)據(jù)中，對(duì)一些樣本進(jìn)行人工標(biāo)注，并將它們作為訓(xùn)練樣本，這樣一來(lái)，就能夠把條件進(jìn)行改善，使用有監(jiān)督學(xué)習(xí)方法來(lái)做。在不同的場(chǎng)景，正負(fù)樣本的分布如果會(huì)存在偏移，這種情況下，有監(jiān)督學(xué)習(xí)的效果可能沒(méi)有無(wú)監(jiān)督學(xué)習(xí)的效果好。

以上就是小編今天跟大家分享的關(guān)于有監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)的區(qū)別。在機(jī)器學(xué)習(xí)中，有監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)是最常用的兩種學(xué)習(xí)方法了，大家一定要清楚兩者之間的區(qū)別，以及兩者的適用場(chǎng)景。