監督式學習與非監督式學習：概述與差異

隨著世界對人工智慧等現代科技的接受度不斷提高，為了提升消費者和企業的生活質量，許多人仍然對整合這類工具持謹慎態度，卻不知人工智慧早已融入他們日常生活中接觸到的各種系統和程序中。機器學習已被應用於我們當今的許多系統中，從醫療保健到詐欺偵測，再到事物分類和分割，無所不包。

機器學習，例如監督學習和非監督學習，在建立和開發模型方面做出了巨大貢獻，這些模型如今已被應用於各種系統或程序中。作為人工智慧的一個分支，機器學習負責開發演算法和模型，這些演算法和模型能夠識別和學習資料中的模式，並基於這些模式做出決策或預測，而無需預先編程。本文將藉此機會介紹機器學習的類型，特別是監督學習和非監督學習。 無監督機器學習透過提供術語概述，定義它們之間的主要區別，幫助您在開始開發模型時做出選擇。

第一部分：什麼是監督式學習？

監督式機器學習是一種機器學習方法，它使用標籤的資料集來訓練用於分割或分類的演算法——這種方法在機器學習中至關重要。 機器學習透過標記的輸入和輸出，監督式機器學習模型能夠衡量其準確性，並隨著時間的推移不斷學習和改進。

當監督式機器學習的某個模型或演算法試圖從海量資料集中發現和預測模式時，監督式學習可以分為兩種類型的問題：分類和迴歸。

• 分類。 這指的是使用演算法將資料分配到特定類別或值。例如，將結果分類到兩個或多個類別中，就像電子郵件平台如何將使用者收件匣中的郵件分類並偵測為垃圾郵件一樣。此外，分類演算法的類型包括支援向量機 (SVM)、線性分類器、隨機森林和決策樹。

• 回歸。 它是一種監督式機器學習方法，也使用演算法，但它不是將資料分配到特定類別，而是使用迴歸模型來更好地理解各種變數之間的關係。這種模型適用於開發預測數值的模型，例如預測價格等等。迴歸演算法包括多項式迴歸、線性迴歸和邏輯迴歸。

第二部分：什麼是無監督學習？

無監督學習是一種機器學習方法，它分析未標記的資料集，是機器學習領域中另一個重要的分支。 人工智慧的類型這種機器學習能夠從未標記的資料集中發現和識別模式，而無需明確編程即可完成此操作。

因此，機器學習常被用於系統內，以對不同的實體和物件進行分組或聚類。其用途或功能可分為三類：聚類、關聯和降維。

• 聚類。 這是一種資料探勘方法，它允許根據資料的相似性和差異性對未標記資料進行分組和分類。這種方法主要用於市場區隔、影像壓縮等領域。

• 協會。 這是另一種無監督學習方法，它利用其他方法或規則來發現和理解給定資料集值之間的關係。

• 降維。 無監督機器學習的第三個用途是降維。當資料集中的值維度過高時，可以使用此方法。此方法透過將一定數量的輸入資料減少到可管理的大小來實現降維，既起到過濾作用，又能保證資料品質。

第三部分：主要區別

監督式機器學習和無監督式機器學習之間的主要區別，最直接的答案在於資料集。監督式學習利用並壟斷了標記資料的使用；而無監督式學習則不依賴此類標記的輸入和輸出，而是使用未標記的資料。

第四部分：如何選擇監督學習與無監督學習

在選擇機器學習的兩種類型（監督式學習和非監督式學習）時，這取決於您的需求。但如果您是新手，不知道從何入手，那麼您可以參考以下建議，幫助您選擇最適合您應用場景的機器學習方法。

1. 檢查你的資料集是已標記資料還是未標記資料。這樣一來，你可能需要採用監督式機器學習方法或無監督式機器學習方法。

2. 明確目標。明確開發機器學習的目的和目標，將有助於你更清楚地了解你想在資料探勘、分類、分割等方面解決哪些問題或情況。

3. 評估您的機器學習演算法選項，以確定它們是否能夠支援您的資料集和結構。

在選擇這兩種機器學習方法時，並沒有絕對的對錯之分，因為它們各有用途。關鍵在於用戶的目標，因此，在明確目標的同時，查看資料集至關重要。只有這樣，才能確定哪種方法才是最適合、最有效的。

第五部分：關於監督式學習與非監督式學習的常見問題

何時應該使用監督學習？

在使用監督式機器學習時，必須擁有一個已標註的資料集。開發模型的目標更著重於預測特定結果，而非理解資料中的某種模式，因此需要的是可衡量的輸出準確率。

何時應該使用無監督學習？

在使用無監督機器學習時，必須能夠存取未標記的資料。其目標更著重於理解變數之間的關係並從資料集中發現模式，而不是預測特定結果，以及對具有相似值或屬性的資料集進行聚類。

這兩種方法可以同時使用嗎？

在現實世界中，一旦某個模型的訓練和開發取得成功，你就可以看到很多無監督和監督模型同時應用於醫療保健、客戶細分、定價預測、資料壓縮、推薦系統、分析等業務領域。

哪個更好？

不，在機器學習開發中，並不存在性能優劣之分。兩者功能和用途不同，因此都非常重要且有益。

監督學習是否更準確？

雖然監督式機器學習確實能提供可衡量的準確度，因為開發者可以將輸出結果與已知且已標註的數據進行比較，但其生成結果的整體效果仍然取決於輸入數據的數量以及這些標註數據的質量。

結論

本文明確定義了機器學習的兩種類型，並分別闡述了… 監督學習和非監督學習此外，隨著討論的深入，可以說人工智慧或機器學習已經取得了長足的進步，儘管對於新手或那些不具備人工智慧或機器學習基礎知識的人來說，理解起來可能比較複雜。

本文旨在為讀者提供指導，不僅定義機器學習的概念，還將探討監督式機器學習和非監督式機器學習之間的區別，幫助讀者深入了解機器學習如何處理資料以得出準確的結果、預測和決策。此外，本文也將闡明兩種常用機器學習方法的區別，因為它們各有優缺點，滿足各自的需求，因此廣泛應用於我們的系統和程序中。