機(jī)器學(xué)習(xí) (ML) 是一種強(qiáng)大的工具，使電腦能夠從資料中學(xué)習(xí)並進(jìn)行預(yù)測(cè)或決策。但並非所有機(jī)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)都適用於特定任務(wù)。最常見(jiàn)的兩種類型是監(jiān)督學(xué)習(xí)和無(wú)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(shí)世界的例子，並逐步介紹程式碼片段，以幫助您了解它們的工作原理。

監(jiān)督學(xué)習(xí)是什麼？

監(jiān)督學(xué)習(xí)是一種機(jī)器學(xué)習(xí)，其中演算法從標(biāo)記資料中學(xué)習(xí)。換句話說(shuō)，您提供給模型的資料包括輸入特徵和正確的輸出（標(biāo)籤）。目標(biāo)是讓模型學(xué)習(xí)輸入和輸出之間的關(guān)係，以便它可以對(duì)新的、未見(jiàn)的資料做出準(zhǔn)確的預(yù)測(cè)。

監(jiān)督學(xué)習(xí)的現(xiàn)實(shí)世界範(fàn)例

電子郵件垃圾郵件偵測(cè)：

• 輸入：電子郵件的文字。
• 輸出：指示電子郵件是「垃圾郵件」還是「非垃圾郵件」的標(biāo)籤。
• 模型學(xué)習(xí)根據(jù)標(biāo)記的範(fàn)例對(duì)電子郵件進(jìn)行分類。

房屋價(jià)格預(yù)測(cè)：

• 輸入：房屋的特徵（例如，平方英尺、臥室數(shù)量、位置）。
• 輸出：房屋的價(jià)格。
• 模型學(xué)習(xí)根據(jù)歷史資料預(yù)測(cè)價(jià)格。

醫(yī)療診斷：

• 輸入：患者資料（例如，癥狀、化驗(yàn)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(wú)監(jiān)督學(xué)習(xí)是什麼？

無(wú)監(jiān)督學(xué)習(xí)是一種機(jī)器學(xué)習(xí)，其中演算法從未標(biāo)記的資料中學(xué)習(xí)。與監(jiān)督學(xué)習(xí)不同，沒(méi)有提供正確的輸出。相反，模型嘗試自己找出資料中的模式、結(jié)構(gòu)或關(guān)係。

無(wú)監(jiān)督學(xué)習(xí)的現(xiàn)實(shí)世界範(fàn)例

客戶細(xì)分：

• 輸入：客戶資料（例如，年齡、購(gòu)買歷史、位置）。
• 輸出：相似顧客的群體（例如，「高頻購(gòu)買者」、「預(yù)算購(gòu)物者」）。
• 模型識(shí)別具有相似行為的客戶群集。

異常偵測(cè)：

• 輸入：網(wǎng)路流量資料。
• 輸出：辨識(shí)可能表示網(wǎng)路攻擊的異常模式。
• 模型偵測(cè)資料中的異常值或異常。

市場(chǎng)籃子分析：

• 輸入：雜貨店的交易資料。
• 輸出：經(jīng)常一起購(gòu)買的產(chǎn)品組（例如，「麵包和黃油」）。
• 模型辨識(shí)產(chǎn)品之間的關(guān)聯(lián)。

監(jiān)督學(xué)習(xí)與無(wú)監(jiān)督學(xué)習(xí)的主要差異

程式碼範(fàn)例

讓我們深入研究一些程式碼，看看監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)在實(shí)踐中的工作方式。我們將使用 Python 和流行的 Scikit-learn 函式庫(kù)。

監(jiān)督學(xué)習(xí)範(fàn)例：預(yù)測(cè)房屋價(jià)格

我們將使用簡(jiǎn)單的線性迴歸模型根據(jù)平方英尺等特徵預(yù)測(cè)房屋價(jià)格。

# 導(dǎo)入庫(kù)
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(cè)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(cè)
y_pred = model.predict(X_test)

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

無(wú)監(jiān)督學(xué)習(xí)範(fàn)例：客戶細(xì)分

我們將使用 K 均值聚類演算法根據(jù)客戶的年齡和消費(fèi)習(xí)慣將客戶分組。

# 導(dǎo)入庫(kù)
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(fèi)評(píng)分')
plt.title('客戶細(xì)分')
plt.show()

何時(shí)使用監(jiān)督學(xué)習(xí)與無(wú)監(jiān)督學(xué)習(xí)

何時(shí)使用監(jiān)督式學(xué)習(xí)：

• 您有標(biāo)記的資料。
• 您想預(yù)測(cè)結(jié)果或?qū)①Y料分類。
• 範(fàn)例：預(yù)測(cè)銷售額、對(duì)影像進(jìn)行分類、偵測(cè)詐欺。

何時(shí)使用無(wú)監(jiān)督學(xué)習(xí)：

• 您有未標(biāo)記的資料。
• 您想發(fā)現(xiàn)隱藏的模式或結(jié)構(gòu)。
• 範(fàn)例：將客戶分組、減少資料維度、查找異常。

結(jié)論

監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)是機(jī)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)點(diǎn)和用例。監(jiān)督學(xué)習(xí)非常適合在您有標(biāo)記資料時(shí)進(jìn)行預(yù)測(cè)，而無(wú)監(jiān)督學(xué)習(xí)在您想探索和發(fā)現(xiàn)未標(biāo)記資料中的模式時(shí)非常出色。

透過(guò)理解差異並練習(xí)現(xiàn)實(shí)世界的例子（例如本文中的例子），您將掌握這些基本的機(jī)器學(xué)習(xí)技術(shù)。如果您有任何疑問(wèn)或想分享您自己的經(jīng)驗(yàn)，請(qǐng)隨時(shí)在下方留言。

以上是監(jiān)督與無(wú)監(jiān)督的學(xué)習(xí)的詳細(xì)內(nèi)容。更多資訊請(qǐng)關(guān)注PHP中文網(wǎng)其他相關(guān)文章！