有監督學習：對具有概念標記（分類）的訓練樣本進行學習，以盡可能對訓練樣本集外的資料進行標記（分類）**。
這裡，所有的標記（分類）是已知的。因此，訓練樣本的岐義性低。
無監督學習：對沒有概念標記（分類）的訓練樣本進行學習，以發現訓練樣本集中的結構性知識。
這裡，所有的標記（分類）是未知的。因此，訓練樣本的岐義性高。
聚類就是典型的無監督學習。
無監督和有監督的理解方法有很多，主要可以從以下幾方面來理解：
無監督與監督學習的區別在於乙個無教學值，乙個有教學值。但是，個人認為他們的區別在於無監督學習一般是採用聚簇等演算法來分類不同樣本。而監督學習一般是利用教學值與實際輸出值產生的誤差，進行誤差反向傳播修改權值來完成網路修正的。但是無監督學習沒有反向傳播修改權值操作。
樣本全部帶標記/樣本全部不帶標記···ps:部分帶標記的是半監督學習
訓練集有輸入有輸出是有監督，包括所有的回歸演算法分類演算法，比如線性回歸、決策樹、神經網路、knn、svm等；
訓練集只有輸入沒有輸出是無監督，包括所有的聚類演算法，比如k-means、pca、gmm等
無監督和有監督演算法的區別
無監督和有監督的理解方法有很多，主要可以從以下幾方面來理解 1 無監督與監督學習的區別在於乙個無教學值，乙個有教學值。但是，個人認為他們的區別在於無監督學習一般是採用聚簇等演算法來分類不同樣本。而監督學習一般是利用教學值與實際輸出值產生的誤差，進行誤差反向傳播修改權值來完成網路修正的。但是無監督學習...
無監督和有監督演算法的區別
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。在社會中，我們在很小的...
有監督演算法和無監督演算法的理解
無監督和有監督的理解方法有很多，主要可以從以下幾方面來理解 1 無監督與監督學習的區別在於乙個無教學值，乙個有教學值。但是，個人認為他們的區別在於無監督學習一般是採用聚簇等演算法來分類不同樣本。而監督學習一般是利用教學值與實際輸出值產生的誤差，進行誤差反向傳播修改權值來完成網路修正的。但是無監督學習...