我是机器学习的初学者，最近阅读了有关受监督和无人监督的机器学习。看起来监督学习是分类的同义词，无监督学习就像聚类一样，是吗？
答案 0 :(得分：3)
没有
监督学习是指您知道正确答案（目标）。根据类型，可能是classification（分类目标），regression（数字目标）或learning to rank（序数目标）（此列表并非完整，可能还有其他我忘记或不知道的类型。
相反，在无监督的学习环境中，我们不知道正确的答案，我们试图推断，从数据中学习一些结构。无论是簇数还是低维逼近（dimensionality reduction，实际上，人们可能会认为聚类化是极端1D降维的情况）。同样，这可能远离完整性，但总体思路是隐藏的结构，我们试图从数据中发现。
答案 1 :(得分：1)
监督学习是指标记的培训数据。换句话说，您有一个明确定义的目标来优化您的方法。
典型（监督）学习任务是分类和回归：学习预测分类（分类），数值（回归）值或排名（学习排名）。
无意识的学习是一个奇怪的术语。因为大多数时候，这些方法都不是“学习”。因为他们会从中学到什么？您没有培训数据？
有很多无监督方法很难适应“学习”范式。这包括降维等方法，如PCA（迄今为止早于任何“机器学习” - PCA是在1901年提出的，早在计算机之前！）。其中许多只是数据驱动的统计数据（与参数化统计数据相对）。这包括大多数聚类分析方法，离群值检测，......为了理解这些，最好走出“学习”思维模式。许多人难以理解这些方法，因为他们总是在“最小化目标函数f”的思维模式中思考。
考虑例如DBSCAN。最流行的聚类算法之一。它不适合学习范式。它很好地被解释为图论理论构造:(密度 - ）连通分量。但它并没有优化任何目标函数。它计算关系的传递闭包;但没有最大化或最小化的功能。
同样，APRIORI发现频繁的项目集;出现超过minsupp次数的项目组合，其中minsupp是用户参数。这是一个非常简单的定义;但是当你有大量数据时，搜索空间可能会非常大。蛮力方法在可接受的时间内没有完成。因此，APRIORI使用巧妙的搜索策略来避免不必要的硬盘访问，计算和内存。但是学习中没有“更差”或“更好”的结果。结果是正确的（完整的）还是没有 - 没有优化结果（仅在算法运行时）。
将这些方法称为“无监督学习”正在将它们挤入一种他们不属于的心态。他们不是“学习”任何东西。既不优化功能，也不使用标签，或使用任何类型的反馈。他们只是从数据库中选择一组特定的对象：APRIORI选择经常同时具有1的列; DBSCAN在密度图中选择连通的组件。结果是否正确。
有些（但不是全部）无监督方法可以形式化为优化问题。在这一点上，它们变得类似于流行的监督学习方法。例如，k-means是最小化问题。 PCA是一个最小化问题，实际上与线性回归密切相关。但它是另一种方式。许多机器学习任务都转化为优化问题;并且可以用通用统计工具来解决，这些工具恰好在机器学习（例如线性编程）中非常流行。然后将所有“学习”部分包含在数据转换到优化器之前的转换方式中。在某些情况下，就像PCA一样，我们发现了一种计算最优解的非迭代方法（1901年）。因此，在这些情况下，您根本不需要通常的优化锤。