机器学习与深度学习 / 系统课时
认识监督与无监督学习
认识监督与无监督学习
学习目标
完成本课后,你将能够:
- 区分有标签数据与无标签数据
- 说明监督学习和无监督学习的核心差异
- 根据业务目标选择合适的学习方式
标签决定学习方式
标签是训练数据中希望模型学习的答案。例如,在房价数据中,房屋面积、位置和楼龄是特征,成交价格是标签;在客户数据中,客户属性是特征,“是否流失”是标签。
监督学习使用带标签数据学习输入到答案的映射。无监督学习没有预先给定答案,主要用于发现数据中的结构、相似群体或异常样本。
监督学习与无监督学习对比
| 对比项 | 监督学习 | 无监督学习 |
|---|---|---|
| 是否有标签 | 有 | 无 |
| 主要目标 | 预测已定义结果 | 发现隐藏结构 |
| 常见任务 | 分类、回归 | 聚类、降维、异常检测 |
| 评价方式 | 与真实标签比较 | 使用轮廓系数、稳定性或业务解释 |
| 典型场景 | 信用风险、销量预测 | 客户分群、样本探索 |
同一份数据可以先进行无监督聚类,再把聚类结果作为业务标签辅助后续分析,但聚类编号本身不等于真实业务类别。
用代码观察两类任务
下面分别演示一个监督分类任务和一个无监督聚类任务。
python
from sklearn.datasets import load_iris
from sklearn.cluster import KMeans
from sklearn.linear_model import LogisticRegression
iris = load_iris()
features = iris.data
labels = iris.target
# 监督学习:训练时同时提供特征和真实类别
classifier = LogisticRegression(max_iter=300)
classifier.fit(features, labels)
print("监督学习预测类别:", classifier.predict([features[0]])[0])
# 无监督学习:训练时只提供特征,由算法寻找相似样本
clusterer = KMeans(n_clusters=3, random_state=42, n_init=10)
clusterer.fit(features)
print("无监督学习聚类数量:", len(set(clusterer.labels_)))预期输出:
text
监督学习预测类别: 0
无监督学习聚类数量: 3聚类标签 0、1、2 只是算法生成的组编号,不能直接解释成鸢尾花真实类别。
选择方法的判断步骤
- 明确业务希望获得的是一个已知答案,还是未知结构。
- 检查是否存在可靠、数量足够的标签。
- 评估标签成本,例如是否需要人工审核或专家标注。
- 确定评价标准:监督学习通常有明确真值,无监督学习更依赖业务解释。
当标签暂时不足时,可以先用无监督方法探索数据,再通过人工标注建立监督学习数据集。
本课练习
- 判断“根据历史订单预测是否退款”属于哪一类学习任务。
- 判断“把客户自动分成若干消费群体”属于哪一类学习任务。
- 设计一个先聚类再人工标注的半自动数据整理流程。
按自己的节奏,确认真正理解。