监督式学习和非监督式学习的区别
监督式机器学习和非监督式机器学习最大的区别在于使用的数据类型。监督式学习使用已添加标签的训练数据，非监督式学习则不使用此类数据。
简而言之，监督式学习模型对正确输出值应该是什么有一个基本的了解。
借助监督式学习，算法使用样本数据集自我训练来做出预测，以迭代方式调整自身来最大限度地减少错误。这些数据集带有上下文标签，可提供所需的输出值，使模型给出“正确”答案。
相比之下，非监督式学习算法会独立工作来学习数据的固有结构，而无需任何特定的指导或指令。您只需提供未添加标签的输入数据，让算法识别数据集中任何自然出现的模式。
数据类型是区分这两种方法最简单的方式，而它们各自的目标和应用方式也各不相同，这也使它们彼此不同。
监督式学习模型更侧重于学习输入和输出数据之间的关系。例如，可以使用监督式模型根据天气条件、机场交通、航班高峰期等特定参数来预测航班时间。
从另一方面来看，非监督式学习对于在未添加标签的原始数据中发现新模式和关系更有帮助。例如，非监督式学习模型可用于识别一起购买相关产品的买家群体，从而提供向类似客户推荐其他商品的建议。
因此，可部署监督式和非监督式机器学习来解决不同类型的问题。监督式机器学习适用于分类和回归任务，例如天气预报、价格变化、情感分析和垃圾信息检测。非监督式学习更常用于探索性数据分析和聚类任务，例如异常值检测、大数据可视化或客户细分受众群。
如何在监督式学习和非监督式学习之间进行选择
现在，您已经了解了监督式学习和非监督式学习之间的区别，那么哪种方法适合您？
哪种方法是您正确的选择取决于您的总体目标和要求、您希望解决的用例，以及您的团队分析、处理和管理数据的总体方法。
一般来说，在确定哪个选项最适合您的组织时，需要考虑以下内容。
- 您的数据已添加标签还是未添加标签？监督式学习需要已添加标签的数据集。您需要评估贵组织是否有时间、资源和专业知识来验证数据并为数据添加标签。
- 您的目标是什么？请务必考虑您要尝试解决的问题类型，以及您是在尝试创建预测模型，还是希望发掘数据中的新洞见或隐藏模式。
- 您需要哪些类型的算法？在确定哪种方法最适合您的组织时，也请务必评估是否有算法可以支持数据量并匹配所需维度（例如特征和属性的数量）。
选择监督式学习还是非监督式学习取决于您要解决的特定问题、您可用的数据，以及您是否拥有构建和管理模型的工具和经验。
什么是半监督式学习？
不确定这两种方法是否适合您？您还可以考虑第三种方法：半监督式学习。
半监督式学习结合了监督式学习和非监督式学习的各个方面。此类别的机器学习技术利用已添加标签和未添加标签的数据来训练预测模型。
半监督式学习使用少量已添加标签的数据来训练初始模型，该模型可用于预测大量未添加标签数据的标签。然后，该模型以迭代方式应用于最初已添加标签的数据和带有预测标签（伪标签）的数据。之后，您需要将最准确的预测结果添加到已添加标签的数据集，并再次重复该过程以继续提高模型的性能。
