监督学习和非监督学习

人工智能 这个行业在现在是非常火爆的，我相信大家都有所了解。我对这个行业的认识是薪资高，门槛高，大部分要求是研究生以上学历。作为普通二本院校的我有点感到绝望~但是学还是要学的，因为我觉得学习本身是为了提升自己的能力和提高自己的生活质量，工作只是提高生活质量的一种手段。所以这几天去接触了一点机器学习方面的知识，了解到了“ 监督学习 ”和 “ 非监督学习 ” 两个基本概念，今天我就来简单分享一下

机器学习分为两大类，一是监督学习，二是非监督学习

监督学习是指 计算机通过现有训练数据集进行建模，再用模型对新的数据样本进行分类或回归分析的过程。我的理解是，监督学习是计算机通过现有数据集去寻找数据的特征或规律，根据这些特征和规律搭建一个模型（这个过程就是在训练模型），然后再用这个模型对新的数据进行分类或回归分析

上面提到的 “分类“ 和 ”回归分析“是监督学习中的两种任务类型 。分类是指对样本的类标签进行预测，判断样本的所属类别。就是在训练好的模型上，判断新的样本属于模型中的哪种类别，然后将结果反馈给你。回归在我的理解中就是它是线性的，在提供的数据中找出其中的规律，然后用一条直线描述这些规律，从而进行分析

可能刚才说的还是难以理解，但我说下 ”分类“ 和 ”回归“ 的区别之后可能就比较容易理解了。回归是预测一个连续的数值或范围，而分类的结果是离散的数值

其次，在监督学习的训练数据集中一定要包含分类标签和特征变量。因为监督学习的过程是你先告诉计算机某个东西是什么，属于哪一类，这一类又有什么特征，然后计算机积累一些经验后再自己去分辨什么东西属于什么类别，不然计算机就很蒙逼了。这就是要包含分类标签和特征变量的原因

我们再提一下目标变量，它在监督学习中分为两类：标称型和数值型。那怎么去区分呢？答案就是可以从它们的取值范围区分。标称型的结果只在有限目标集内进行取值，而数值型可以在无限的数值中进行取值

监督学习就先简单介绍到这里，接下来介绍非监督学习

非监督学习 是在没有数据训练集和标签的数据中进行分析和建立合适的模型，以便给出解决方案的方法。就是说我只负责给你数据，不教你怎么去分辨，你自己根据这些数据找出共同规律去。这时候计算机就很蒙逼，脑袋都快要炸了哈哈~非监督学习的任务类型也有两类：聚类分析和数据转换

聚类分析 就是 把样本划归到不同的分组，每个分组的元素具有相近的特征；数据转换 就是将一些非二进制的数据转换为计算机能理解的数据，比如将图片转换为二进制数字。这样做的目的是把复杂的数据集通过非监督学习算法进行转换，使其便于理解。一种常用的方法是 数据降维，从较多的特征变量中去除一些不必要的特征变量，保留关键特征变量，达到降低维度的目的

下面是我做的思维导图：

注：本文内容参考于书籍《深入浅出python机器学习》