# 有監督和無監督的機器學習算法 > 原文： [https://machinelearningmastery.com/supervised-and-unsupervised-machine-learning-algorithms/](https://machinelearningmastery.com/supervised-and-unsupervised-machine-learning-algorithms/) 什么是監督機器學習以及它與無監督機器學習有什么關系？ 在這篇文章中，您將發現有監督的學習，無監督學習和半監督學習。閱讀這篇文章后你會知道： * 關于分類和回歸監督學習問題。 * 關于聚類和關聯無監督學習問題。 * 用于監督和非監督問題的示例算法。 * 存在于有監督和無監督學習之間的問題稱為半監督學習。 讓我們開始吧。  監督和非監督機器學習算法 照片由[美國教育部](https://www.flickr.com/photos/departmentofed/9599312337/)，保留一些權利。 ## 監督機器學習 大多數實際機器學習使用監督學習。 監督學習是輸入變量（x）和輸出變量（Y）的地方，您可以使用算法來學習從輸入到輸出的映射函數。 Y = f（X） 目標是很好地近似映射函數，當您有新的輸入數據（x）時，您可以預測該數據的輸出變量（Y）。 它被稱為監督學習，因為從訓練數據集學習算法的過程可以被認為是監督學習過程的教師。我們知道正確的答案，算法迭代地對訓練數據進行預測，并由教師糾正。當算法達到可接受的表現水平時，學習停止。 ## 獲取免費算法思維導圖  方便的機器學習算法思維導圖的樣本。 我已經創建了一個由類型組織的60多種算法的方便思維導圖。 下載，打印并使用它。 監督學習問題可以進一步分為回歸和分類問題。 * **分類**：分類問題是輸出變量是一個類別，例如“紅色”或“藍色”或“疾病”和“無疾病”。 * **回歸**：回歸問題是當輸出變量是實數值時，例如“美元”或“重量”。 在分類和回歸之上構建的一些常見類型的問題分別包括推薦和時間序列預測。 監督機器學習算法的一些流行示例是： * 回歸問題的線性回歸。 * 隨機森林的分類和回歸問題。 * 支持向量機用于分類問題。 ## 無監督機器學習 無監督學習是指您只有輸入數據（X）且沒有相應的輸出變量的地方。 無監督學習的目標是對數據中的基礎結構或分布進行建模，以便更多地了解數據。 這些被稱為無監督學習，因為與上面的監督學習不同，沒有正確的答案，也沒有教師。算法由他們自己設計，以發現并呈現數據中的有趣結構。 無監督學習問題可以進一步分為聚類和關聯問題。 * **群集**：群集問題是您希望發現數據中固有分組的位置，例如通過購買行為對客戶進行分組。 * **協會**：關聯規則學習問題是您想要發現描述大部分數據的規則，例如購買X的人??也傾向于購買Y. 一些流行的無監督學習算法的例子是： * k-用于聚類問題的手段。 * 關聯規則學習問題的Apriori算法。 ## 半監督機器學習 您有大量輸入數據（X）且只有部分數據標記為（Y）的問題稱為半監督學習問題。 這些問題介于有監督和無監督學習之間。 一個很好的例子是照片檔案，其中只有一些圖像被標記（例如狗，貓，人）并且大多數是未標記的。 許多現實世界的機器學習問題屬于這個領域。這是因為標記數據可能是昂貴或耗時的，因為它可能需要訪問域專家。而未標記的數據便宜且易于收集和存儲。 您可以使用無監督學習技術來發現和學習輸入變量中的結構。 您還可以使用監督學習技術對未標記數據進行最佳猜測預測，將該數據作為訓練數據反饋到監督學習算法中，并使用該模型對新看不見的數據進行預測。 ## 摘要 在這篇文章中，您了解了有監督，無監督和半監督學習之間的區別。你現在知道： * **監督**：標記所有數據，算法學習預測輸入數據的輸出。 * **無監督**：所有數據都是未標記的，算法從輸入數據中學習固有結構。 * **半監督**：標記了一些數據，但大部分都是未標記的，可以使用監督和非監督技術的混合。 您對有監督，無監督或半監督學習有任何疑問嗎？發表評論并提出您的問題，我會盡力回答。