监督学习与非监督学习

标签：分布   不同   分析   度量   核心   训练   初始   有监督   关系   

1、监督学习

是有特征和标签的，即便是没有标签的，机器也是可以通过特征和标签之间的关系，判断出标签。监督学习是通过训练让机器自己找到特征和标签之间的联系，在以后面对只有特征而没有标签的数据时可以自己判别出标签。相当于给定数据，预测标签。
常见的有监督学习算法：回归分析和统计分类。

2、非监督学习

由于训练数据中只有特征没有标签，所以就需要自己对数据进行聚类分析，然后就可以通过聚类的方式从数据中提取一个特殊的结构。输入的数据没有标记，也没有确定的结果，只有特征，没有标签。
无监督学习的方法分为两大类：
(1)    一类为基于概率密度函数估计的直接方法：指设法找到各类别在特征空间的分布参数，再进行分类。
(2)    另一类是称为基于样本间相似性度量的简洁聚类方法：其原理是设法定出不同类别的核心或初始内核，然后依据样本与核心之间的相似性度量将样本聚集成不同的类别。

3、区别

两者的根本区别是训练数据中是否有标签，监督学习的数据既有特征又有标签，而非监督学习的数据中只有特征而没有标签。

监督学习与非监督学习

标签：分布   不同   分析   度量   核心   训练   初始   有监督   关系   

原文地址：https://www.cnblogs.com/xpb0329/p/12040649.html