监督学习
监督学习使用带有标签的训练数据,学习从输入到输出的映射关系。标签相当于"标准答案",模型通过比较预测与真实标签的差距不断调整参数。主要任务包括:
- 分类:预测离散类别,如垃圾邮件识别、图像分类。常见算法有逻辑回归、决策树、支持向量机、随机森林、神经网络。
- 回归:预测连续数值,如房价预测、销量预测。常见算法有线性回归、岭回归、回归树等。
无监督学习
无监督学习在没有标签的数据上寻找隐含结构。主要任务包括:
- 聚类:把相似样本归为一类,如客户分群。典型算法有 K-Means、DBSCAN、层次聚类。
- 降维:在保留主要信息的前提下减少特征数量,如主成分分析(PCA),常用于可视化与特征压缩。
- 关联规则:发现数据项之间的关联关系,如购物篮分析。
核心区别
两者最本质的区别在于训练数据是否有标签:监督学习有明确目标、效果可定量评估,但标注成本高;无监督学习无需标注、能发现未知模式,但结果解释性与评估更主观。
其他相关范式
此外还有半监督学习(少量标签+大量无标签数据)、自监督学习(从数据本身构造监督信号,是大模型预训练的重要方式)与强化学习(通过与环境交互获得奖励信号)。理解这些范式有助于把握不同AI技术的适用条件。
实践建议
选择方法时应从问题目标出发:有明确预测目标且能获取标签时优先考虑监督学习;探索数据结构、缺乏标签时可尝试无监督方法。无论哪种方法,数据质量、特征工程与合理的评估划分往往比算法选择本身更影响最终效果。