监督与无监督的学习

机器学习 (ML) 是一种强大的工具，使计算机能够从数据中学习并进行预测或决策。但并非所有机器学习都是相同的——存在不同类型的学习，每种学习都适用于特定任务。两种最常见的类型是监督学习和无监督学习。在本文中，我们将探讨它们之间的区别，提供现实世界的例子，并逐步介绍代码片段，以帮助您了解它们的工作原理。

---

监督学习是什么？

监督学习是一种机器学习，其中算法从标记数据中学习。换句话说，您提供给模型的数据包括输入特征和正确的输出（标签）。目标是让模型学习输入和输出之间的关系，以便它可以对新的、未见的数据做出准确的预测。

监督学习的现实世界例子

电子邮件垃圾邮件检测：

• 输入：电子邮件的文本。
• 输出：指示电子邮件是“垃圾邮件”还是“非垃圾邮件”的标签。
• 模型学习根据标记的示例对电子邮件进行分类。

房屋价格预测：

• 输入：房屋的特征（例如，平方英尺、卧室数量、位置）。
• 输出：房屋的价格。
• 模型学习根据历史数据预测价格。

医疗诊断：

• 输入：患者数据（例如，症状、化验结果）。
• 输出：诊断（例如，“健康”或“糖尿病”）。
• 模型学习根据标记的医疗记录进行诊断。

---

无监督学习是什么？

无监督学习是一种机器学习，其中算法从未标记的数据中学习。与监督学习不同，没有提供正确的输出。相反，模型尝试自己找到数据中的模式、结构或关系。

无监督学习的现实世界例子

客户细分：

• 输入：客户数据（例如，年龄、购买历史、位置）。
• 输出：相似客户的群体（例如，“高频购买者”、“预算购物者”）。
• 模型识别具有相似行为的客户集群。

异常检测：

• 输入：网络流量数据。
• 输出：识别可能表明网络攻击的异常模式。
• 模型检测数据中的异常值或异常。

市场篮子分析：

• 输入：杂货店的交易数据。
• 输出：经常一起购买的产品组（例如，“面包和黄油”）。
• 模型识别产品之间的关联。

---

监督学习和无监督学习的主要区别

**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

---

代码示例

让我们深入研究一些代码，看看监督学习和无监督学习在实践中的工作方式。我们将使用 Python 和流行的 Scikit-learn 库。

监督学习示例：预测房屋价格

我们将使用简单的线性回归模型根据平方英尺等特征预测房屋价格。

# 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}")

无监督学习示例：客户细分

我们将使用 K 均值聚类算法根据客户的年龄和消费习惯对客户进行分组。

# 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()

---

何时使用监督学习与无监督学习

何时使用监督学习：

• 您有标记的数据。
• 您想预测结果或对数据进行分类。
• 示例：预测销售额、对图像进行分类、检测欺诈。

何时使用无监督学习：

• 您有未标记的数据。
• 您想发现隐藏的模式或结构。
• 示例：对客户进行分组、减少数据维度、查找异常。

---

结论

监督学习和无监督学习是机器学习中的两种基本方法，每种方法都有其自身的优势和用例。监督学习非常适合在您有标记数据时进行预测，而无监督学习在您想探索和发现未标记数据中的模式时非常出色。

通过理解差异并练习现实世界的例子（例如本文中的例子），您将掌握这些基本的机器学习技术。如果您有任何疑问或想分享您自己的经验，请随时在下方留言。

以上是监督与无监督的学习的详细内容。更多信息请关注PHP中文网其他相关文章！