答疑：监督学习和无监督学习

聊到监督学习和无监督学习，很多同学是存在误区的：
今天就简单聊聊，

1. 监督学习

   • 输入数据被标记，包括特征值和目标值
   • 函数的输出可以是一个连续的值(称为回归）或是输出是有限个离散值（称作分类）
   • 常见的监督学习算法：回归分析和统计分类。最典型的算法是 KNN 和 SVM

2. 无监督学习

   • 输入数据是由输入特征值组成，没有目标值
   • 输入数据没有被标记，也没有确定的结果。样本数据类别未知；
   • 需要根据样本间的相似性对样本集进行类别划分
   • 输入数据没被标记，即无法预测样本标签。非监督学习，是要让机器自己学习怎样做某事。
     常见的是聚类分析，聚类的规则，是并不知道具体分类的规则，需要靠算法进行判断数据之间的相似性，也就是，探索和挖掘数据中潜在的差异和联系。

• 数据分析中，常见的聚类方法是 K-Mcans。应用过程是：

1、先确定分组数 k
2、随机选择 k 个值作为数据中心
3、计算其他数值与数据中心的距离，根据距离，完成第一次分组
4、重新选择新的数据中心，在第 3 步中选择两个数据中心
5、再次计算出其他数据与新数据中心的距离，根据距离，再次分组
重复第 4 步，直到数据中心不再变化了。完成分类
实际工作中，python excel FineBI中都有聚类功能。设置好分组数，迭代次数、距离计算公式。

3. 半监督学习
   • 训练集同时包含有标记样本数据和未标记样本数据

• 监督学习训练方式：
  
• 半监督学习的训练方式：
  
  总结：
• 区分监督学习和无监督学习，就看数据是否有标签即可，即：是否有目标值
• 区分监督学习和半监督学习，就看训练集数据是否同时包含标记样本数据和未标记样本数据