何時使用有監督或無監督學習？

Question

• 哪些是使用有監督或無監督學習的基本標準？
• 什麼時候比另一個好？
• 是否有特定的情況下，你只能使用其中之一？

感謝

Answer 1

1. 如果你有一個數據集的標記，你可以同時使用。如果你沒有標籤，你只能使用無監督學習。

2. 這不是「更好」的問題。這是你想達到什麼的問題。例如。羣集數據通常是無人監督的 - 您希望算法告訴您數據的結構。分類是監督的，因爲你需要教你的算法是什麼，以便對未見的數據進行預測。

3. 請1.

在一個側面說明：這些都是很廣泛的問題。我建議你熟悉一些ML基金會。

例如這裏良好的播客：http://ocdevel.com/podcasts/machine-learning

非常好的書/筆記本電腦由Jake VanderPlas：http://nbviewer.jupyter.org/github/jakevdp/PythonDataScienceHandbook/blob/master/notebooks/Index.ipynb

Answer 2

取決於你的需要。如果您有一組現有數據，包括您希望預測的目標值（標籤），那麼您可能需要supervised learning（例如，某些值是真或假;或者這些數據是否代表魚或貓或狗？簡單地說 - 你已經有正確的答案的例子，你只是告訴算法預測什麼）。您還需要區分是否需要分類或迴歸。分類就是當你需要將預測值分類到給定的類別時（例如，這個人可能是否患有糖尿病 - 是或否？換句話說 - 離散值），迴歸是當你需要預測連續值時，4.56,12.99,23等）。有許多監督學習算法可供選擇（k-最近鄰居，樸素貝葉斯，SVN，脊..）

相反 - 如果您沒有標籤（或目標值），請使用unsupervised learning。你只是試圖確定數據集羣。例如。的K-means，DBSCAN，譜聚類..）

所以它依賴，而且也沒有確切的答案，但一般來說，你需要：

1. 收集，看看你的數據。您需要知道您的數據，然後才能決定選擇哪種方式或哪種算法最適合您的需求。

2. 訓練你的算法。確保有一個乾淨和良好的數據，並記住，在無監督學習的情況下，你可以跳過這一步，因爲你沒有目標值。你馬上測試你的算法

3. 測試你的算法。運行並查看算法的表現如何。在監督式學習的情況下，您可以使用一些訓練數據來評估算法的效果。

在線上有很多關於機器學習的書籍和許多關於該主題的在線講座。