有监督的学习与无监督的学习到底有什么区别？

我正在尝试了解聚类方法。

我想我明白的是：

1. 在监督学习中，分配给类别/标签的数据在计算之前是已知的。因此，使用标签，类或类别来“学习”对于那些集群真正重要的参数。

2. 在无监督学习中，将数据集分配给段，而无需了解聚类。

这是否意味着，如果我什至不知道哪个参数对于细分至关重要，我应该喜欢监督学习？

不同之处在于在监督学习中，“类别”，“类”或“标签”是已知的。在无监督学习中，它们不是，并且学习过程会尝试找到适当的“类别”。在两种学习中，所有参数都被认为是确定最适合执行分类的参数。

选择是受监管还是不受监管，应基于您是否知道数据的“类别”是什么。如果您知道，请使用监督学习。如果您不知道，则使用无监督。

由于您有大量参数，而且您不知道哪些参数是相关的，因此可以使用主成分分析之类的方法来帮助确定相关的参数。

请注意，有两个以上的监督程度。例如，请参阅Christian Biemann博士论文中的24-25（6-7）页，《结构发现范式中的无监督和无知识的自然语言处理》，2007年。

论文确定了4个级别：有监督，半监督，弱监督和无监督，并解释了自然语言处理环境下的差异。以下是相关定义：

• 在监督系统中，提供给机器学习算法的数据被完全标记。这意味着：所有示例都带有机器要复制的分类。为此，从数据中学习分类器，将标签分配给尚未看到的实例的过程称为分类。
• 在半监督系统中，允许机器另外考虑未标记的数据。由于数据基础较大，半监督系统通常使用相同的标记示例胜过其监督的同类产品。进行此改进的原因是，更多未标记的数据使系统能够更准确地对数据的固有结构进行建模。
• 自举，也称为自我训练，是一种学习形式，旨在使用更少的训练示例，因此有时也称为弱监督。自举以几个训练示例开始，训练一个分类器，并使用该分类器产生的被认为是积极的示例进行重新训练。随着训练示例集的增加，分类器也会有所改进，但前提是没有太多的负面示例被误分类为正面，这可能导致性能下降。
• 没有监督的系统根本没有提供任何培训示例，并且无法进行聚类。这是将数据实例分为几个组。聚类算法的结果是数据驱动的，因此更“自然”，更适合于数据的基础结构。这个优点也是它的主要缺点：无法告诉机器要做什么（类似于分类），很难以结论性的方式判断聚类结果的质量。但是，缺少训练示例的准备工作使得无监督范式非常有吸引力。

在监督学习中，班级是预先知道的，并且它们的类型也是已知的，例如，两个班级的好顾客和坏顾客。当新对象（客户）基于其属性出现时，可以将客户分配给不良或良好的客户类别。

在无监督学习中，尚不知道组/类，我们有对象（客户），因此将具有相似购买习惯的顾客分组，因此，根据相似的购买习惯，对顾客进行了不同的分组，即未知。

在监督学习中，输出（因变量）取决于输入变量（因变量）。在某些给定的监督中，响应者尝试计算所需的目标。

在无监督学习中，没有监督，因此系统会尝试适应这种情况，并基于某种测度进行手动学习。

例如：班主任-监督-有监督的学习自学选修课-无监督无监督的学习