从事机器学习的学生在区分有监督学习和无监督学习方面遇到了困难。似乎两种学习方法所使用的程序是相同的，这使得人们很难区分这两种学习方法。然而，经过仔细观察和毫不动摇的关注，我们可以清楚地了解到，监督学习和非监督学习之间存在着显著的差异。

• 什么是监督学习？

监督学习是与机器学习相关联的方法之一，它涉及到分配标记数据，以便从这些数据中推断出某种模式或函数。值得注意的是，监督学习涉及分配输入对象、向量，同时预期最期望的输出值，这通常被称为监督信号。监督学习的最基本的特点是输入数据是已知的，并且被适当地标记。

• 什么是无监督学习？

无监督学习是机器学习算法的第二种方法，从未标记的输入数据中进行推理。无监督学习的目标是从未标记的数据中确定数据中隐藏的模式或分组。它主要用于探索性数据分析。无监督学习的一个重要特征是输入和输出都是未知的。

监督学习与非监督学习的区别

1. 有监督学习与无监督学习中的输入数据

有监督学习和无监督学习的主要区别在于两种机器学习方法中使用的数据。值得注意的是，这两种机器学习方法都需要数据，它们会对这些数据进行分析以生成某些函数或数据组。然而，在监督学习中使用的输入数据是众所周知的，并且是有标记的。这意味着机器只承担从已经标记的数据中确定隐藏模式的任务。然而，在无监督学习中使用的数据是未知的，也没有标记的。在确定输入数据的隐藏模式和功能之前，机器的工作是对原始数据进行分类和标记。

1. 有监督学习和无监督学习的计算复杂性

机器学习是一件复杂的事情，任何参与其中的人都必须为未来的任务做好准备。有监督学习和无监督学习的一个显著区别是计算复杂性。有监督学习被认为是一种复杂的学习方法，而无监督学习方法则不那么复杂。在无监督学习中，不需要对输入进行理解和标注，而需要对输入进行理解和标注，这是有监督学习产生的原因之一。这就解释了为什么许多人喜欢无监督学习而不是有监督的机器学习方法。

1. 监督学习和非监督学习结果的准确性

有监督学习和无监督学习的另一个主要区别是机器分析每个周期后产生的结果的准确性。有监督的机器学习方法得到的结果比无监督的机器学习方法得到的结果更准确可靠。有监督的机器学习方法之所以能产生准确可靠的结果，其中一个原因是因为输入的数据是众所周知的，而且是有标记的，这意味着机器只会分析隐藏的模式。这与无监督的学习方法不同，在确定隐藏的模式和函数之前，机器必须定义和标记输入数据。

1. 监督学习和非监督学习中的班级数

另外值得注意的是，在班级数量上也存在着显著的差异。值得注意的是，监督学习中使用的所有类都是已知的，这意味着分析中的答案也可能是已知的。因此，监督学习的唯一目标就是确定未知的聚类。然而，在无监督的机器学习方法中没有先验知识。此外，类的数量是未知的，这显然意味着没有信息是已知的，分析后产生的结果无法确定。此外，参与无监督学习方法的人不知道任何有关原始数据和预期结果的信息。

1. 监督学习与非监督学习中的实时学习

在其他差异中，存在着每种学习方法发生的时间。必须强调的是，有监督的学习方法是离线进行的，而无监督的学习方法是实时进行的。参与准备和标记输入数据的人员是离线进行的，而对隐藏模式的分析是在线进行的，这使得参与机器学习的人员在分析离散数据时没有机会与机器进行交互。然而，无监督的机器学习方法是实时进行的，因此所有的输入数据都在学习者面前进行分析和标记，这有助于他们理解不同的学习方法和原始数据的分类。实时数据分析仍然是无监督学习方法最重要的优点。

Table Showing Differences Between Supervised Learning and Unsupervised Learning: Comparison Chart

总结 - 监督学习理论(of supervised learning) vs. 无监督学习(unsupervised learning)

• 由于企业需要分析和处理越来越多的原始数据，数据挖掘正在成为当前商业世界中的一个重要方面，以便他们能够做出正确可靠的决策。
• 这就解释了为什么对机器学习的需求在不断增长，因此需要对有监督机器学习和无监督机器学习都有足够知识的人。
• 值得理解的是，每种学习方法都有其优缺点。这意味着在决定使用哪种方法来分析数据之前，必须熟悉这两种机器学习方法。