機器學(xué)習(xí) (ML) 是一種強大的工具，使計算機能夠從數(shù)據(jù)中學(xué)習(xí)并進(jìn)行預(yù)測或決策。但并非所有機器學(xué)習(xí)都是相同的——存在不同類型的學(xué)習(xí)，每種學(xué)習(xí)都適用于特定任務(wù)。兩種最常見的類型是監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)。在本文中，我們將探討它們之間的區(qū)別，提供現(xiàn)實世界的例子，并逐步介紹代碼片段，以幫助您了解它們的工作原理。

監(jiān)督學(xué)習(xí)是什么？

監(jiān)督學(xué)習(xí)是一種機器學(xué)習(xí)，其中算法從標(biāo)記數(shù)據(jù)中學(xué)習(xí)。換句話說，您提供給模型的數(shù)據(jù)包括輸入特征和正確的輸出（標(biāo)簽）。目標(biāo)是讓模型學(xué)習(xí)輸入和輸出之間的關(guān)系，以便它可以對新的、未見的數(shù)據(jù)做出準(zhǔn)確的預(yù)測。

監(jiān)督學(xué)習(xí)的現(xiàn)實世界例子

電子郵件垃圾郵件檢測：

• 輸入：電子郵件的文本。
• 輸出：指示電子郵件是“垃圾郵件”還是“非垃圾郵件”的標(biāo)簽。
• 模型學(xué)習(xí)根據(jù)標(biāo)記的示例對電子郵件進(jìn)行分類。

房屋價格預(yù)測：

• 輸入：房屋的特征（例如，平方英尺、臥室數(shù)量、位置）。
• 輸出：房屋的價格。
• 模型學(xué)習(xí)根據(jù)歷史數(shù)據(jù)預(yù)測價格。

醫(yī)療診斷：

• 輸入：患者數(shù)據(jù)（例如，癥狀、化驗結(jié)果）。
• 輸出：診斷（例如，“健康”或“糖尿病”）。
• 模型學(xué)習(xí)根據(jù)標(biāo)記的醫(yī)療記錄進(jìn)行診斷。

無監(jiān)督學(xué)習(xí)是什么？

無監(jiān)督學(xué)習(xí)是一種機器學(xué)習(xí)，其中算法從未標(biāo)記的數(shù)據(jù)中學(xué)習(xí)。與監(jiān)督學(xué)習(xí)不同，沒有提供正確的輸出。相反，模型嘗試自己找到數(shù)據(jù)中的模式、結(jié)構(gòu)或關(guān)系。

無監(jiān)督學(xué)習(xí)的現(xiàn)實世界例子

客戶細(xì)分：

• 輸入：客戶數(shù)據(jù)（例如，年齡、購買歷史、位置）。
• 輸出：相似客戶的群體（例如，“高頻購買者”、“預(yù)算購物者”）。
• 模型識別具有相似行為的客戶集群。

異常檢測：

• 輸入：網(wǎng)絡(luò)流量數(shù)據(jù)。
• 輸出：識別可能表明網(wǎng)絡(luò)攻擊的異常模式。
• 模型檢測數(shù)據(jù)中的異常值或異常。

市場籃子分析：

• 輸入：雜貨店的交易數(shù)據(jù)。
• 輸出：經(jīng)常一起購買的產(chǎn)品組（例如，“面包和黃油”）。
• 模型識別產(chǎn)品之間的關(guān)聯(lián)。

監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)的主要區(qū)別

代碼示例

讓我們深入研究一些代碼，看看監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)在實踐中的工作方式。我們將使用 Python 和流行的 Scikit-learn 庫。

監(jiān)督學(xué)習(xí)示例：預(yù)測房屋價格

我們將使用簡單的線性回歸模型根據(jù)平方英尺等特征預(yù)測房屋價格。

# 導(dǎo)入庫
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

# 創(chuàng)建樣本數(shù)據(jù)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) 和標(biāo)簽 (y)
X = df[['SquareFootage']]
y = df['Price']

# 將數(shù)據(jù)分成訓(xùn)練集和測試集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 訓(xùn)練線性回歸模型
model = LinearRegression()
model.fit(X_train, y_train)

# 做出預(yù)測
y_pred = model.predict(X_test)

# 評估模型
mse = mean_squared_error(y_test, y_pred)
print(f"均方誤差：{mse:.2f}")

無監(jiān)督學(xué)習(xí)示例：客戶細(xì)分

我們將使用 K 均值聚類算法根據(jù)客戶的年齡和消費習(xí)慣對客戶進(jìn)行分組。

# 導(dǎo)入庫
import numpy as np
import pandas as pd
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt

# 創(chuàng)建樣本數(shù)據(jù)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']]

# 訓(xùn)練 K 均值聚類模型
kmeans = KMeans(n_clusters=3, random_state=42)
df['Cluster'] = kmeans.fit_predict(X)

# 可視化集群
plt.scatter(df['Age'], df['SpendingScore'], c=df['Cluster'], cmap='viridis')
plt.xlabel('年齡')
plt.ylabel('消費評分')
plt.title('客戶細(xì)分')
plt.show()

何時使用監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)

何時使用監(jiān)督學(xué)習(xí)：

• 您有標(biāo)記的數(shù)據(jù)。
• 您想預(yù)測結(jié)果或?qū)?shù)據(jù)進(jìn)行分類。
• 示例：預(yù)測銷售額、對圖像進(jìn)行分類、檢測欺詐。

何時使用無監(jiān)督學(xué)習(xí)：

• 您有未標(biāo)記的數(shù)據(jù)。
• 您想發(fā)現(xiàn)隱藏的模式或結(jié)構(gòu)。
• 示例：對客戶進(jìn)行分組、減少數(shù)據(jù)維度、查找異常。

結(jié)論

監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)是機器學(xué)習(xí)中的兩種基本方法，每種方法都有其自身的優(yōu)勢和用例。監(jiān)督學(xué)習(xí)非常適合在您有標(biāo)記數(shù)據(jù)時進(jìn)行預(yù)測，而無監(jiān)督學(xué)習(xí)在您想探索和發(fā)現(xiàn)未標(biāo)記數(shù)據(jù)中的模式時非常出色。

通過理解差異并練習(xí)現(xiàn)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(xué)習(xí)技術(shù)。如果您有任何疑問或想分享您自己的經(jīng)驗，請隨時在下方留言。

以上是監(jiān)督與無監(jiān)督的學(xué)習(xí)的詳細(xì)內(nèi)容。更多信息請關(guān)注PHP中文網(wǎng)其他相關(guān)文章！