监督学习与无监督学习

监督学习和无监督学习是机器学习中两种最基础的学习方式。区分它们的关键问题只有一个：训练数据里有没有明确答案。

监督学习：带答案学习

监督学习的数据包含输入和标签。模型学习的是“输入到标签”的映射关系。

例如：

输入	标签
一封邮件内容	垃圾邮件/正常邮件
房屋面积、地段、楼层	房价
用户历史行为	是否会流失
一张手写数字图片	数字 0-9

监督学习最常见的任务是分类和回归。分类输出类别，例如是否垃圾邮件；回归输出连续数值，例如房价。

无监督学习：不带答案找结构

无监督学习没有标准答案，模型要自己发现数据中的结构。典型任务包括聚类、降维、异常检测。

例如电商平台不知道用户属于哪类人群，但可以根据浏览、收藏、购买行为把用户分成几组：价格敏感型、品牌偏好型、冲动购买型等。这就是聚类思想。

怎么判断该用哪一种

问自己三个问题：

1. 我有没有历史答案？
2. 我的目标是预测答案，还是探索结构？
3. 结果能不能用明确指标评估？

如果你有“输入—答案”样本，并希望预测新样本答案，通常用监督学习。如果你没有答案，只想发现分组、相似性或异常点，通常用无监督学习。

一个具体例子：学生学习数据

如果你有学生学习时长、练习次数和最终是否通过考试，那么可以训练监督学习模型预测新学生是否可能通过。

如果你没有“是否通过”的标签，只想根据学习行为把学生分成不同类型，例如稳定型、临时冲刺型、低参与型，那就是无监督学习。

同一批数据，在不同目标下可以使用不同方法。

常见算法

监督学习常见算法：

• 线性回归；
• 逻辑回归；
• 决策树；
• 随机森林；
• 支持向量机；
• 神经网络。

无监督学习常见算法：

• K-Means 聚类；
• 层次聚类；
• PCA 降维；
• DBSCAN；
• 异常检测算法。

容易犯的错误

• 标签质量差。 如果人工标注本身不一致，监督学习会学到混乱规律。
• 聚类后强行解释。 无监督学习给出分组，但分组含义需要结合业务判断。
• 只看算法名字。 真正重要的是任务目标和数据条件。
• 忽略评估。 聚类也需要评估，例如组内相似度、组间差异和业务可解释性。

小结

监督学习像“带答案做题”，无监督学习像“自己整理规律”。初学者只要抓住“有没有标签”这个核心，就能快速判断大多数机器学习任务的类型。