1.监督学习和无监督学习

下面用最通俗、最精炼的方式带你一次搞懂「监督学习」和「无监督学习」。

---

一、监督学习（Supervised Learning）

1. 核心思想
   拿“带答案的题”做训练，让模型学会“看到新题就能给出答案”。

2. 数据长什么样
   每条样本 = 特征 X + 标签 y（正确答案）。
   例子：
   • 房价预测：X = 面积、楼层、学区；y = 真实成交价。
   • 垃圾邮件识别：X = 邮件文本；y = 0 正常 / 1 垃圾。

3. 典型任务
   • 回归：y 是连续值（房价、温度）。
   • 分类：y 是离散类别（猫/狗、良性/恶性）。

4. 常用算法
   线性/逻辑回归、决策树、随机森林、SVM、神经网络、XGBoost……

5. 训练流程
   喂数据 → 算误差 → 反向调参 → 误差最小化 → 部署模型。

---

二、无监督学习（Unsupervised Learning）

1. 核心思想
   只有“题目”没有“答案”，让模型自己去找数据里隐藏的结构或规律。

2. 数据长什么样
   只有特征 X，没有标签 y。

3. 典型任务
   • 聚类：把相似样本自动分到同一组（用户分群、图像分割）。
   • 降维：把高维数据压缩成低维，方便可视化或加速后续训练（PCA、t-SNE）。
   • 异常检测：找出“跟大多数样本不一样”的点（信用卡欺诈、设备故障）。
   • 密度估计：估计数据分布，生成新样本（GAN、VAE）。

4. 常用算法
   K-Means、DBSCAN、PCA、t-SNE、AutoEncoder、GMM、Isolation Forest……

三、一句话对比
监督学习：老师批改作业，学生学会答题；
无监督学习：没有老师，学生自己摸索数据里的“潜规则”。

---

四、延伸
• 半监督学习：有少量标签 + 大量无标签，降低标注成本。
• 自监督学习：把输入的一部分当“伪标签”，典型如 BERT、GPT。