监督学习和非监督学习的区别

监督学习和非监督学习是机器学习的两种技术。但这两种技术在不同的场景和不同的数据集上使用。下面将解释这两种学习方法以及它们的区别表。

监督机器学习

监督学习是一种机器学习方法，其中模型使用带标签的数据进行训练。在监督学习中，模型需要找到一个映射函数，将输入变量（X）映射到输出变量（Y）。

监督学习需要监督来训练模型，这类似于学生在老师的指导下学习。监督学习可用于两种类型的问题：分类和回归。

了解更多 监督机器学习

示例： 假设我们有一张包含不同类型水果的图片。我们的监督学习模型的任务是识别水果并对其进行相应分类。因此，要在监督学习中识别图像，我们将输入数据以及其输出提供给模型，这意味着我们将根据每种水果的形状、大小、颜色和味道来训练模型。训练完成后，我们将通过提供新的水果集来测试模型。模型将识别水果并使用合适的算法预测输出。

无监督机器学习

非监督学习是另一种机器学习方法，从中可以从无标签的输入数据中推断出模式。非监督学习的目标是从输入数据中找到结构和模式。非监督学习不需要任何监督。相反，它自己从数据中寻找模式。

了解更多 非监督机器学习

非监督学习可用于两种类型的问题：聚类和关联。

示例： 为了理解非监督学习，我们将使用上面给出的示例。因此，与监督学习不同，在这里我们不会向模型提供任何监督。我们只会将输入数据集提供给模型，并允许模型从数据中找到模式。借助合适的算法，模型将自行训练，并根据水果之间最相似的特征将它们分成不同的组。

监督学习和非监督学习之间的主要区别如下：

注意：监督学习和非监督学习都是机器学习方法，选择哪种学习取决于与数据集的结构和体积以及问题的用例相关的因素。