监督学习
顾名思义，监督式学习有监督者作为教师。基本上，监督学习是指我们使用标记良好的数据来教授或训练机器。这意味着一些数据已经被标记为正确答案。之后，机器被提供一组新的示例（数据），以便监督学习算法分析训练数据（训练示例集）并从标记数据中产生正确的结果。
例如，假设给你一个装满不同种类水果的篮子。现在第一步是用所有不同的水果一一训练机器，如下所示：
- 如果物体的形状是圆形的，顶部有一个凹陷，颜色是红色的，那么它会被标记为——苹果。
- 如果物体的形状是一个长长的弯曲圆柱体，呈绿黄色，那么它就会被标记为 – Banana 。
现在假设在训练数据后，你给了一个新的单独的水果，比如篮子里的香蕉，并要求识别它。
由于机器已经从以前的数据中学到了东西，这次必须明智地使用它。它将首先根据水果的形状和颜色对水果进行分类，并将水果名称确认为 BANANA 并将其归入 Banana 类别。因此，机器从训练数据（包含水果的篮子）中学习事物，然后将知识应用于测试数据（新水果）。
监督学习分为两类算法：
- 分类：分类问题是当输出变量是一个类别时，例如“红色”或“蓝色”或“疾病”和“无疾病”。
- 回归：回归问题是当输出变量是真实值时，例如“美元”或“重量”。
监督学习处理或学习“标记”数据。这意味着某些数据已经被标记为正确答案。
类型：-
- 回归
- 逻辑回归
- 分类
- 朴素贝叶斯分类器
- K-NN（k 个最近邻）
- 决策树
- 支持向量机
优点：-
- 监督学习允许收集数据并从以前的经验中产生数据输出。
- 借助经验帮助优化性能标准。
- 监督机器学习有助于解决各种类型的现实世界计算问题。
缺点：-
- 对大数据进行分类可能具有挑战性。
- 监督学习的训练需要大量的计算时间。所以，这需要很多时间。
脚步
无监督学习
无监督学习是使用既未分类也未标记的信息训练机器，并允许算法在没有指导的情况下对该信息采取行动。在这里，机器的任务是根据相似性、模式和差异对未分类的信息进行分组，而无需事先对数据进行任何训练。
与监督学习不同，不提供任何老师，这意味着不会对机器进行任何培训。因此，机器被限制在自己寻找未标记数据中的隐藏结构。
例如，假设给定一张它从未见过的狗和猫的图像。
因此机器不知道狗和猫的特征，所以我们不能把它归类为“狗和猫”。但是它可以根据它们的相似性、模式和差异来对它们进行分类，即我们可以很容易地将上面的图片分为两部分。第一部分可能包含所有有狗的图片，第二部分可能包含所有有猫的图片。在这里你之前什么都没学到，这意味着没有训练数据或示例。
它允许模型自行工作以发现以前未检测到的模式和信息。它主要处理未标记的数据。
无监督学习分为两类算法：
- 聚类：聚类问题是您想要发现数据中固有的分组，例如按购买行为对客户进行分组。
- 关联：关联规则学习问题是您想要发现描述大部分数据的规则，例如购买 X 的人也倾向于购买 Y。
无监督学习的类型：-
聚类
- 独占（分区）
- 凝聚的
- 重叠
- 概率的
聚类类型：-
- 层次聚类
- K均值聚类
- 主成分分析
- 奇异值分解
- 独立成分分析
监督与无监督机器学习
| Parameters | Supervised machine learning | Unsupervised machine learning |
| Input Data | Algorithms are trained using labeled data. | Algorithms are used against data that is not labeled |
| Computational Complexity | Simpler method | Computationally complex |
| Accuracy | Highly accurate | Less accurate |