監督與無監督的學習

機器學習 (ML) 是一種強大的工具，使電腦能夠從資料中學習並進行預測或決策。但並非所有機器學習都是相同的——存在不同類型的學習，每種學習都適用於特定任務。最常見的兩種類型是監督學習和無監督學習。在本文中，我們將探討它們之間的區別，提供現實世界的例子，並逐步介紹程式碼片段，以幫助您了解它們的工作原理。

---

監督學習是什麼？

監督學習是一種機器學習，其中演算法從標記資料中學習。換句話說，您提供給模型的資料包括輸入特徵和正確的輸出（標籤）。目標是讓模型學習輸入和輸出之間的關係，以便它可以對新的、未見的資料做出準確的預測。

監督學習的現實世界範例

電子郵件垃圾郵件偵測：

• 輸入：電子郵件的文字。
• 輸出：指示電子郵件是「垃圾郵件」還是「非垃圾郵件」的標籤。
• 模型學習根據標記的範例對電子郵件進行分類。

房屋價格預測：

• 輸入：房屋的特徵（例如，平方英尺、臥室數量、位置）。
• 輸出：房屋的價格。
• 模型學習根據歷史資料預測價格。

醫療診斷：

• 輸入：患者資料（例如，症狀、化驗結果）。
• 輸出：診斷（例如，「健康」或「糖尿病」）。
• 模型學習根據標記的醫療記錄進行診斷。

---

無監督學習是什麼？

無監督學習是一種機器學習，其中演算法從未標記的資料中學習。與監督學習不同，沒有提供正確的輸出。相反，模型嘗試自己找出資料中的模式、結構或關係。

無監督學習的現實世界範例

客戶細分：

• 輸入：客戶資料（例如，年齡、購買歷史、位置）。
• 輸出：相似顧客的群體（例如，「高頻購買者」、「預算購物者」）。
• 模型識別具有相似行為的客戶群集。

異常偵測：

• 輸入：網路流量資料。
• 輸出：辨識可能表示網路攻擊的異常模式。
• 模型偵測資料中的異常值或異常。

市場籃子分析：

• 輸入：雜貨店的交易資料。
• 輸出：經常一起購買的產品組（例如，「麵包和黃油」）。
• 模型辨識產品之間的關聯。

---

監督學習與無監督學習的主要差異

**方面**	**监督学习**	**无监督学习**
**数据**	标记的（提供输入和输出）	未标记的（仅提供输入）
**目标**	预测结果或对数据进行分类	发现数据中的模式或结构
**示例**	分类、回归	聚类、降维
**复杂性**	更容易评估（已知输出）	更难评估（没有基本事实）
**用例**	垃圾邮件检测、价格预测	客户细分、异常检测

---

程式碼範例

讓我們深入研究一些程式碼，看看監督學習和無監督學習在實踐中的工作方式。我們將使用 Python 和流行的 Scikit-learn 函式庫。

監督學習範例：預測房屋價格

我們將使用簡單的線性迴歸模型根據平方英尺等特徵預測房屋價格。

<code class="language-python"># 导入库
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error

# 创建样本数据集
data = {
    'SquareFootage': [1400, 1600, 1700, 1875, 1100, 1550, 2350, 2450, 1425, 1700],
    'Price': [245000, 312000, 279000, 308000, 199000, 219000, 405000, 324000, 319000, 255000]
}
df = pd.DataFrame(data)

# 特征 (X) 和标签 (y)
X = df[['SquareFootage']]
y = df['Price']

# 将数据分成训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练线性回归模型
model = LinearRegression()
model.fit(X_train, y_train)

# 做出预测
y_pred = model.predict(X_test)

# 评估模型
mse = mean_squared_error(y_test, y_pred)
print(f"均方误差：{mse:.2f}")</code>

無監督學習範例：客戶細分

我們將使用 K 均值聚類演算法根據客戶的年齡和消費習慣將客戶分組。

<code class="language-python"># 导入库
import numpy as np
import pandas as pd
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt

# 创建样本数据集
data = {
    'Age': [25, 34, 22, 45, 32, 38, 41, 29, 35, 27],
    'SpendingScore': [30, 85, 20, 90, 50, 75, 80, 40, 60, 55]
}
df = pd.DataFrame(data)

# 特征 (X)
X = df[['Age', 'SpendingScore']]

# 训练 K 均值聚类模型
kmeans = KMeans(n_clusters=3, random_state=42)
df['Cluster'] = kmeans.fit_predict(X)

# 可视化集群
plt.scatter(df['Age'], df['SpendingScore'], c=df['Cluster'], cmap='viridis')
plt.xlabel('年龄')
plt.ylabel('消费评分')
plt.title('客户细分')
plt.show()</code>

---

何時使用監督學習與無監督學習

何時使用監督式學習：

• 您有標記的資料。
• 您想預測結果或將資料分類。
• 範例：預測銷售額、對影像進行分類、偵測詐欺。

何時使用無監督學習：

• 您有未標記的資料。
• 您想發現隱藏的模式或結構。
• 範例：將客戶分組、減少資料維度、查找異常。

---

結論

監督學習和無監督學習是機器學習中的兩種基本方法，每種方法都有其自身的優點和用例。監督學習非常適合在您有標記資料時進行預測，而無監督學習在您想探索和發現未標記資料中的模式時非常出色。

透過理解差異並練習現實世界的例子（例如本文中的例子），您將掌握這些基本的機器學習技術。如果您有任何疑問或想分享您自己的經驗，請隨時在下方留言。

以上是監督與無監督的學習的詳細內容。更多資訊請關注PHP中文網其他相關文章！