機器學習分為：監督學習，無監督學習，半監督學習（也可以用hinton所說的強化學習）等。簡單的歸納就是，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。
有監督和無監督中間包含的一種學習演算法是半監督學習（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。
引用:檢視
有監督 無監督學習概念
機器學習分為 監督學習，無監督學習，半監督學習等。監督學習 supervised learning 無監督學習 unsupervised learning 半監督學習 semi supervised learning 有監督和無監督兩者的不同點 有監督學習方法必須要有訓練集與測試樣本。在訓練集中找規...
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...