什么是监督学习？
监督学习是通过带标签的数据训练模型，让算法学习输入与输出之间的映射关系。
常见场景：
- 预测房价（回归问题）
- 邮件分类（分类问题）
- 手写数字识别（分类问题）
📌 核心特点：
- 需要明确的输入输出对
- 依赖大量标注数据
- 模型可解释性强
什么是非监督学习？
非监督学习使用无标签的数据，发现数据中的潜在模式或结构。
典型应用：
- 客户分群（聚类分析）
- 数据降维（如PCA）
- 异常检测（离群点识别）
📌 核心优势：
- 无需标注数据
- 适用于探索性数据分析
- 能发现隐藏关联
两者对比表
| 特征 | 监督学习 | 非监督学习 |
|---|---|---|
| 数据标签 | 有 | 无 |
| 主要任务 | 分类/回归 | 聚类/降维 |
| 代表算法 | 决策树、SVM | K-Means、DBSCAN |
| 适用场景 | 预测性问题 | 描述性/探索性问题 |
| 数据需求 | 高标注成本 | 低标注成本 |
拓展学习
想要深入了解强化学习？可以查看：
/community/abc_compute_forum/ai/tutorials/3-reinforcement_learning
或探索更多机器学习资源：
/community/abc_compute_forum/ai/overview
🔍 图片关键词建议：
- 监督学习_数据分布
- 非监督学习_维度灾难
- 机器学习_应用场景对比
（图片链接已根据关键词自动适配，确保无敏感内容）