机器学习类型

如果根据给定的训练数据是否带有具体的标签，分为有监督学习和无监督学习。

一、有监督学习

有监督学习: 模型利用已经标记过的训练数据进行学习。每个用于训练的数据都有一个对应的标签。

• 通过优化算法来“学习”输入和输出之间的映射关系。最后当模型训练好之后，就可以对未知的数据进行预测。

二、无监督学习

1、定义

无监督学习: 不要求训练的数据带有标签，模型尝试自己找出数据之间的规律，关系或者结构，进而做好数据的聚类。

• 无监督学习适用于那些没有明确标签，但又想从中获得一些有用信息的场景。
• 它更侧重于探索和发现，而不是进行精准的预测。
• 它目标不是告诉机器怎么做，而是让机器自己去学习，自己去探索数据，并找到数据之间的规律。

三、半监督学习

半监督学习: 介于于有监督学习和无监督学习之间。通常情况下，我们有一小部分的已标注的数据，以及大量的未标注数据。我们的训练目标，是使用这两种类型的数据来建立一个更有效的模型。

为什么会存在这种类型的机器学习方法？

• 数据成本问题

四、对比案例

假如现在有一个果园，里面有三种水果：苹果、橙子和葡萄。想训练一个机器学习模型，来自动识别这些水果：

• 有监督学习（完全标记）： 拍了 100 张水果的照片，而且每一张照片上面，都标明了它是哪种水果（苹果、橙子、葡萄），然后用这 100 张标记好的照片，就可以训练模型
• 无监督学习（无标记）： 拍了 100 张水果的照片，但没有任何标注说明，直接用这些照片训练模型。 模型会尝试自己找出这些图片中的某种规律或分类，然后将他们分成几类图片。最后再给每一类赋予一个说明
• 半监督学习（部分标记）： 拍了 100 张水果的照片，只标注好了其中的 10 张照片。还有 90 张什么标签都没有的照片。
  1. 初始训练： 使用 10 张标记过的照片进行初步训练，得到一个初步的预测模型。
  2. 引入未标记数据： 用初步训练好的模型去预测那 90 张没有标签的照片。
  3. 模型优化： 把这 10 张标记照片和 90 张预测照片放到一起，对模型进行进一步的训练和优化，得到一个最终的模型。