無監督學習（unsupervised learning）
區別在監督學習中，我們根據已有的資料集，已知我們的正確輸出，並且認為輸入和輸出之間存在一定的關係。監督學習問題分為「回歸」和「分類」問題。
在回歸問題中，我們試圖**連續輸出中的結果，這意味著我們試圖將輸入變數對映到某個連續函式。
eg：給定有關房地產市場上房屋大小的資料，請嘗試**其**。 **作為房屋大小的函式是乙個連續的輸出，因此這是乙個回歸問題。
在分類問題中，我們改為嘗試**離散輸出的結果。 換句話說，我們正在嘗試將輸入變數對映為離散類別。
eg：對於患有腫瘤的患者，我們必須**腫瘤是惡性還是良性的。因此，我們可以從一組資料集中找到良/惡性腫瘤與患者年齡、腫瘤大小等的關係，判定結果是0/1（惡性與良性），因此是離散的，屬於分類模型。
在無監督學習中，我們只有乙個資料集，而不知道該資料集的內在關係，自行尋找某種結構。在無監督學習的情況下，沒有基於**結果的反饋，演算法需要自動找到這些沒有標記的資料裡面的資料結構和特徵。
將無標籤的資料集劃分為多個不相交的子集，每個子集就是一類/簇，由聚類所生成的簇是一組資料物件的集合，這些物件與同乙個簇中的物件彼此相似，與其他簇中的物件相異。「物以類聚，人以群分」，可以模擬理解。
eg：收集1,000,000個不同的基因，然後找到一種方法，將這些基因自動分組為通過不同變數（例如壽命，位置，角色等）在某種程度上相似或相關的組。如下圖所示：
與聚類相對應，「雞尾酒會演算法」，使您可以在混亂的環境中找到結構。 （即在雞尾酒會上從一連串的聲音中識別出個人的聲音和**）。
監督學習——「right answers」 given
無監督學習——no answers given
（讀斯坦福吳恩達教授機器學習課程筆記）
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...
有監督學習和無監督學習
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 這裡我參考網路資料將機器學習分為 有監督學習 無監督學習 半監督學習和強化學習四類。回歸 regression 其資料集是給定乙個函式和它的一些座標點，然後通過回歸分析的演算法...
有監督學習和無監督學習
機器學習的常用方法，主要分為有監督學習 supervised learning 和無監督學習 unsupervised learning 監督學習，就是人們常說的分類，通過已有的訓練樣本 即已知資料以及其對應的輸出 去訓練得到乙個最優模型 這個模型屬於某個函式的集合，最優則表示在某個評價準則下是最佳...