(机器学习)监督学习 vs 非监督学习
🎯表格总结
把定义、核心特征、常见算法和典型应用场景都放进来，一眼就能看懂它们的区别与联系——
| 类别 | 定义 | 核心特征 | 常见算法 | 典型应用场景 |
|---|---|---|---|---|
| 监督学习 (Supervised Learning) | 在带有已知标签（目标值）的数据上训练模型，让模型学会预测输出 | - 有“老师”指导 - 输入与输出一一对应 - 目标是最小化预测误差 | - 线性回归（Linear Regression） - 逻辑回归（Logistic Regression） - 支持向量机（SVM） - 决策树（Decision Tree） - 随机森林（Random Forest） - XGBoost / LightGBM - 神经网络（Neural Network） | - 房价预测 - 垃圾邮件分类 - 图像识别（猫/狗分类） - 销量预测 |
| 非监督学习 (Unsupervised Learning) | 在无标签数据中寻找模式或结构 | - 无“老师”指导 - 只输入数据，不知道正确答案 - 目标是发现数据的潜在结构 | - 聚类（K-Means、层次聚类） - 主成分分析（PCA） - 关联规则（Apriori） - 高斯混合模型（GMM） - 自编码器（Autoencoder） | - 客户分群 - 购物篮分析（关联商品） - 降维与可视化 - 异常检测 |
💡 记忆小窍门
-
监督学习：有“标准答案”，目标是预测
-
非监督学习：没“标准答案”，目标是发现结构
-
-
整理 by Moshow郑锴@https://zhengkai.blog.csdn.net/
📌思维导图
🎯 机器学习
│
├── 🔵 监督学习 (Supervised Learning)
│ │
│ ├── 🎯 核心特征 → 有标签、有“老师”、目标是预测
│ │
│ ├── 🧩 常见算法
│ │ ├─ 📈 线性回归（Linear Regression）
│ │ ├─ 📊 逻辑回归（Logistic Regression）
│ │ ├─ 📏 支持向量机（SVM）
│ │ ├─ 🌳 决策树（Decision Tree）
│ │ ├─ 🌲 随机森林（Random Forest）
│ │ ├─ 🚀 XGBoost / LightGBM
│ │ └─ 🧠 神经网络（Neural Network）
│ │
│ └── 📌 典型应用
│ ├─ 房价预测 🏠
│ ├─ 垃圾邮件分类 📧
│ ├─ 图像识别 📷
│ └─ 销量预测 📦
│
└── 🟢 非监督学习 (Unsupervised Learning)│├── 🎯 核心特征 → 无标签、无“老师”、目标是发现结构│├── 🧩 常见算法│ ├─ 🔍 聚类（K-Means、层次聚类）│ ├─ 🔎 主成分分析（PCA）│ ├─ 🛒 关联规则（Apriori）│ ├─ 📈 高斯混合模型（GMM）│ └─ 🌀 自编码器（Autoencoder）│└── 📌 典型应用├─ 客户分群 👥├─ 购物篮分析 🛍├─ 降维与可视化 🎨└─ 异常检测 🚨