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。
什麼是學習（learning）？
學習：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做過，但在高中三年我們做過很多很多題目，懂解題方法，因此考場上面對陌生問題也可以算出答案。機器學習的思路也類似：我們能不能利用一些訓練資料（已經做過的題），使機器能夠利用它們（解題方法）分析未知資料（高考的題目）？
什麼是監督學習?
監督學習（supervised learning）
：通過已有的訓練樣本（即已知資料以及其對應的輸出）來訓練
，從而得到乙個最優模型，再利用這個模型將所有新的資料樣本對映為相應的輸出結果，對輸出結果進行簡單的判斷從而實現分類的目的
，那麼這個最優模型也就具有了對未知資料進行分類的能力。
監督學習中只要輸入樣本集,機器就可以從中推演出制定目標變數的可能結果.如協同過濾推薦演算法,通過對訓練集進行監督學習,並對測試集進行**,從而達到**的目的。監督學習裡典型的例子就是knn、svm，
決策樹、神經網路以及疾病監測。
目前分類演算法的效果還是不錯的，但相對來講，聚類演算法就有些慘不忍睹了。確實，無監督學習本身的特點使其難以得到如分類一樣近乎完美的結果。這也正如我們在高中做題，答案（標籤）是非常重要的，假設兩個完全相同的人進入高中，乙個正常學習，另一人做的所有題目都沒有答案，那麼想必第乙個人高考會發揮更好，第二個人會發瘋。
什麼是無監督學習?
無監督學習（unsupervised learning）
：我們事先沒有任何訓練資料樣本，需要直接對資料進行建模。比如我們去參觀乙個畫展，我們對藝術一無所知，但是欣賞完很多幅作品之後，我們面對一幅新的作品之後，至少可以知道這幅作品是什麼派別的吧，比如更抽象一些還是更寫實一點，雖然不能很清楚的了解這幅畫的含義，但是至少我們可以把它分為哪一類。
再給大家舉乙個無監督學習的例子。遠古時期，我們的祖先打獵吃肉，他們本身之前是沒有經驗而言的，當有人用很粗的石頭去割動物的皮的時候，發現很難把皮隔開，但是又有人用很薄的石頭去割，發現比別人更加容易的隔開動物的毛皮，於是，第二天、第三天、……，他們就知道了需要尋找比較薄的石頭片來割。這些就是無監督學習的思想，外界沒有經驗和訓練資料樣本提供給它們，完全靠自己摸索。
無監督學習裡典型的例子就是聚類了。聚類的目的在於把相似的東西聚在一起，而我們並不關心這一類是什麼。因此，乙個聚類演算法通常只需要知道如何計算相似度就可以開始工作了。
什麼是半監督學習？
半監督學習（unsupervised learning）：
這時有人可能會想，難道有監督學習和無監督學習就是非黑即白的關係嗎？有沒有灰呢？good idea。灰是存在的。二者的中間帶就是半監督學習（semi-supervised learning）。對於半監督學習，其訓練資料的一部分是有標籤的，另一部分沒有標籤，而沒標籤資料的數量常常極大於有標籤資料數量（這也是符合現實情況的）。隱藏在半監督學習下的基本規律在於：資料的分布必然不是完全隨機的，通過一些有標籤資料的區域性特徵，以及更多沒標籤資料的整體分布，就可以得到可以接受甚至是非常好的分類結果。（此處大量忽略細節）
總結
因此，learning家族的整體構造是這樣的：
有監督學習（分類，回歸）
↕
半監督學習（分類，回歸），transductive learning（分類，回歸）
↕
半監督聚類（有標籤資料的標籤不是確定的，類似於：肯定不是***，很可能是yyy）
↕
無監督學習（聚類）
那麼，什麼時候應該採用監督學習，什麼時候應該採用非監督學習呢？一種非常簡單的回答就是從定義入手，
如果我們在分類的過程中有訓練樣本(training data)，則可以考慮用監督學習的方法
；如果沒有訓練樣本，則不可能用監督學習的方法。但是事實上，我們在針對乙個現實問題進行解答的過程中，即使我們沒有現成的訓練樣本，我們也能夠憑藉自己的雙眼，從待分類的資料中人工標註一些樣本，並把他們作為訓練樣本，這樣的話就可以把條件改善，用監督學習的方法來做。
機器學習日記 監督學習 無監督學習
監督學習是指 利用一組已知類別的樣本調整 分類器的 引數，使其達到所要求效能的過程，也稱為 監督訓練或有教師學習。無監督學習 現實生活中常常會有這樣的問題 缺乏足夠的 先驗知識 因此難以人工標註類別或進行人工類別標註的成本太高。很自然地，我們希望計算機能代我們完成這些工作，或至少提供一些幫助。根據類...
機器學習筆記 監督學習 無監督學習分類筆記
無監督學習 給出一資料組，並已知曉這組資料的對應關係，然後給出一組新的資料，嘗試對其進行 和分析，這裡注意，提前給出的資料組 data set 是已知內部的資料的對應關係，後面給出的新的資料，是要依據對之前資料的學習後，給出新的資料對應的 值。而對於 的結果的不同，又將監督學習分為分類 classf...
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...