监督学习
顾名思义，监督学习的存在是作为老师的监督者。基本上，监督学习是指当我们使用标记良好的数据来教学或训练机器时。这意味着某些数据已经被标记了正确的答案。之后，机器会提供一组新的示例(数据)，以便监督学习算法分析训练数据(一组训练示例)并从标记的数据中产生正确的结果。
例如，假设您得到一个装有不同种类水果的篮子。现在的第一步是像这样对所有不同水果的机器进行培训：
- 如果对象的形状是圆形的，顶部有一个凹陷，颜色是红色，则将其标记为– Apple 。
- 如果对象的形状是具有绿黄色的长弯曲圆柱体，则将其标记为– Banana 。
现在假设在训练数据后，您给了一个新的单独的水果，例如从篮子里说“香蕉”，并要求对其进行识别。
由于机器已经从以前的数据中学到了东西，所以这次必须明智地使用它。它将首先根据形状和颜色对水果进行分类，然后将其命名为BANANA，并将其归类为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类别时，例如“红色”或“蓝色”或“疾病”和“没有疾病”。
- 回归：回归问题是输出变量是实际值(例如“美元”或“权重”)时。
监督学习处理或学习“标记”数据。这意味着某些数据已经用正确答案进行了标记。
类型：-
- 回归
- 逻辑回归
- 分类
- 朴素贝叶斯分类器
- K-NN(k个最近的邻居)
- 决策树
- 支持向量机
好处：-
- 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。
- 有监督的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。
- 监督学习的培训需要大量的计算时间。因此，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信息进行操作。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训练。
与监督学习不同，没有提供任何老师，这意味着不会对机器进行培训。因此，机器本身只能在未标记的数据中找到隐藏的结构。
例如，假设给定一张图像，其中包含从未见过的狗和猫。
因此，该机器不了解狗和猫的功能，因此我们无法将其归类为“狗和猫”。但是它可以根据它们的相似性，模式和差异对其进行分类，即，我们可以轻松地将以上图片分为两部分。第一部分可能包含其中有狗的所有照片，第二部分可能包含其中有猫的所有照片。在这里您没有学过任何东西，这意味着没有培训数据或示例。
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：一个聚类问题是您想要发现数据中的固有分组，例如通过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数据大部分的规则的地方，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)
- 结块的
- 重叠
- 概率论
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
有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 |