无监督学习与监督学习的区别

      1、什么是无监督学习？

无监督学习是机器学习技术中的一类，用于发现数据 中的模式。利用 学习数据的分布或数据与数 据之间的关系被称作无监督学习。

2、无监督学习代表算法：

1、k-means算法（聚类算法）

3、什么是监督学习?

        监督学习描述的任务是：当给定输入x,如何通过在有标注输入和输出的数据上训练模型而能够预测输出y

        1、通过带有标签的训练集：训练模型

        2、通过训练模型，输入新事件自变量x,预测输出y

      4、监督学习代表算法：

        1、knn(k最近邻算法）属于分类方法。

 2、贝叶斯算法、朴素贝叶斯算法，属于分类方法。

 3、逻辑回归，属于回归方法。

 4、线性回归，属于回归方法。

        

      5、无监督学习vs监督学习。

1.监督学习方法必须要有训练集与测试样本。在训练集中找规律，而对 测试样本使用这种规律。而非监督学习没有训练集，只有一组数据，在该 组数据集内寻找规律。

2. 监督学习的方法就是识别事物，识别的结果表现在给待识别数据加上 了标签。因此训练样本集必须由带标签的样本组成。而无监督学习方法只 有要分析的数据集的本身，预先没有什么标签。如果发现数据集呈现某种 聚集性，则可按自然的聚集性分类，但不予以某种预先分类标签对上号为 目的。

6、何时采用哪种方法  

简单的方法就是从定义入手，有训练样本则考虑采用监督学习方法；无 训练样本，则一定不能用监督学习方法。但是，现实问题中，即使没有训 练样本，我们也能够凭借自己的双眼，从待分类的数据中，人工标注一些 样本，并把它们作为训练样本，这样的话，可以把条件改善，用监督学习 方法来做。对于不同的场景，正负样本的分布如果会存在偏移（可能大的 偏移，可能比较小），这样的话，监督学习的效果可能就不如用非监督学 习了。