1有監督：
針對於樣本而言，知道該樣本屬於哪個類別，隨後將該樣本送入分類器或者應用於其他，需要使用到樣本自身所帶標籤（就是類別，比如來了乙個人，性別標籤：男和女，當然我們不能將 男或者女，直接貼在樣本上，樣本在被計算機使用的過程中，需要變換成數字，計算機能夠識別的計算機語言才行，故而，這裡一般人為定義：男 define as 1，女 define as 0，這樣跟隨者樣本應用於訓練階段。）。總結：就是帶有標籤資訊的樣本，使用時，成為有監督。
2學習或者訓練
學習，很抽象，我一直沒懂，怎樣就算是學習了，如何將一系列樣本匯入分類器，這就算是學習了，咋學的呢？？這就是需要資料建模了，建立模型，模型如何構建？這個根據你的實際問題中對應的樣本進行建模，就是類似資料擬合過程。那麼建模，會有引數，比如：min y=ax+bx^2，那麼a b就是引數，我們要進行訓練或者說學習的引數。y代表輸出結果，x代表輸入的樣本，這裡x的個數表示你輸入樣本的類別，可有有不同的類別，x的下標需要做一些改變，或者稱之為特徵。顯然，x ：可以是以上所說的有監督樣本，那麼min y 的過程，就是求解a b 的過程，這就是學習，或者說是訓練。（學習和訓練是求解引數的過程，是多次迭代，求取最優引數的過程，至於所求得的引數具不具有普遍的適應能力，就看你模型建的咋樣了，模型最為重要，學習和訓練真的不是太難。類似解方程的過程，稱之為學習或者訓練）。
有監督學習
利用一組帶有標籤的資料，學習從輸入到輸出的對映，然後將這種對映關係應用到未知資料上，達到分類或回歸的目的。分類 當輸出為離散的，學習任務為分類任務。回歸 當輸出為連續的，學習任務為回歸任務。訓練集 用來訓練的已標註的資料，用來建立模型，發現規律。測試集 已標註的資料，通常隱藏標記，輸送給以訓練的模型...
有監督學習 無監督學習與半監督學習
這個問題可以回答得很簡單 是否有監督 supervised 就看輸入資料是否有標籤 label 輸入資料有標籤，則為有監督學習，沒標籤則為無監督學習。但根據知乎慣例，答案還是要繼續擴充套件的。首先看什麼是學習 learning 乙個成語就可概括 舉一反三。此處以高考為例，高考的題目在上考場前我們未必...
有監督學習和無監督學習 無監督學習
一.無監督學習包含的演算法 聚類 kmeans聚類演算法 降維 pca 之所以叫無監督學習 是因為模型是從無標籤的資料開始學習，沒有目標值。二.kmeans聚類 1.聚類演算法步驟 定義 將高維資料轉化為低維資料的過程，在此過程中可能會捨棄原有資料，創造新的變數 作用 降低原始資料的維數 複雜度 損...