监督学习和无监督学习的快速介绍

机器学习领域包含大量可用于理解数据的算法。这些算法可以分为以下两类之一：

1. 监督学习算法：涉及构建模型以根据一个或多个输入估计或预测结果。

2. 无监督学习算法：涉及从输入中查找结构和关系。没有“监督”输出。

本教程解释了这两种算法之间的区别以及每种算法的几个示例。

监督学习算法

_当我们_有一个或多个解释变量_（ X1 ，响应变量：

Y = f (X) + ε

其中f表示 X 提供的有关 Y 的系统信息，其中 ε 是独立于 X 且平均值为零的随机误差项。

监督学习算法主要有两种类型：

1.回归：输出变量是连续的（例如体重、身高、时间等）

2.分类：输出变量是分类的（例如男性或女性、成功或失败、良性或恶性等）

我们使用监督学习算法有两个主要原因：

1.预测：我们经常使用一组解释变量来预测响应变量的值（例如，使用平方英尺和卧室数量来预测房屋的价格）。

2. 推论：我们可能有兴趣了解当解释变量的值发生变化时，响应变量如何受到影响（例如，当房间数量增加一间时，房地产价格平均上涨多少？）

根据我们的目标是推理还是预测（或两者的混合），我们可以使用不同的方法来估计函数f 。例如，线性模型提供更容易的解释，但难以解释的非线性模型可能提供更准确的预测。

以下是最常用的监督学习算法的列表：

• 线性回归
• 逻辑回归
• 线性判别分析
• 二次判别分析
• 决策树
• 朴素贝叶斯
• 支持向量机
• 神经网络

无监督学习算法

当_我们有_变量列表_（ X ₁ ， data.x ）时，可以使用无监督学习算法。

无监督学习算法主要有两种类型：

1. 聚类：使用这些类型的算法，我们尝试在数据集中找到彼此相似的观察“聚类”。当企业想要识别具有相似购买习惯的客户群时，这通常用于零售业，以便他们可以针对某些客户群制定特定的营销策略。

2.关联：使用这些类型的算法，我们试图找到可用于建立关联的“规则”。例如，零售商可以开发一种关联算法，表明“如果客户购买产品 X，他们很可能也会购买产品 Y”。

以下是最常用的无监督学习算法的列表：

• 主成分分析
• K-均值聚类
• K-中心点的分组
• 层次分类
• 先验算法

摘要：监督或无监督学习

下表总结了监督学习算法和无监督学习算法之间的差异：

下图总结了机器学习算法的类型：