机器学习：监督学习 vs 无监督学习

Posted on Views:

1.监督学习（Supervised Learning）

监督学习本质：给模型标准答案，让模型学习输入与输出之间的映射关系。

训练数据中：

  • 有输入 X
  • 有标签 Y

模型目标：

1
f(X) -> Y

即：通过历史样本，学习规律，预测未来结果

典型场景：

场景 输入 输出
垃圾邮件识别 邮件内容 是否垃圾邮件
图片分类 图片像素 猫/狗
风控 用户行为 是否欺诈
股票因子预测 技术指标 涨跌概率

1.1监督学习核心流程

flowchart LR
    A[带标签数据] --> B[训练模型]
    B --> C[学习映射关系]
    C --> D[生成预测模型]
    D --> E[预测新数据]

1.2 常见监督学习算法

类型 算法
线性模型 Linear Regression、Logistic Regression
树模型 Random Forest、XGBoost、LightGBM
深度学习 CNN、RNN、Transformer
分类算法 SVM、KNN

1.3 两大任务

分类（Classification）

离散结果：

1
2
3
是/否
猫/狗
正常/异常

回归（Regression）

连续值：

1
2
3
房价预测
气温预测
股票价格

2.无监督学习（Unsupervised Learning）

无监督学习本质：”不给标准答案，让模型自己发现数据规律。”

数据：

1
2
只有 X
没有 Y

模型需要：

  • 自动发现结构
  • 聚类
  • 降维
  • 异常检测
  • 数据分布规律

2.1 无监督学习核心流程

flowchart LR
    A[无标签数据] --> B[模型自动分析]
    B --> C[发现隐藏结构]
    C --> D[聚类/降维/异常检测]

2.2 常见算法

类型 算法
聚类 K-Means、DBSCAN
降维 PCA、t-SNE
概率模型 GMM
表征学习 AutoEncoder

2.3 典型场景

场景 用途
用户画像 自动分群
推荐系统 相似用户发现
网络安全 异常流量识别
运维监控 异常指标检测
日志分析 自动模式发现