监督学习需带标签数据预测具体输出，无监督学习则从无标签数据中发现结构；二者核心区别在于有无明确答案，实际可结合使用。
监督学习和无监督学习是机器学习的两大基础范式，区别核心在于“有没有标签”。有明确输出目标（比如分类结果、房价数值）的就是监督学习；没有现成答案、靠算法自己发现结构或模式的就是无监督学习。理解这个分界，才能选对工具、读得懂结果、避开常见误区。
监督学习：用已知答案训练模型
监督学习就像教学生做题——每道题都配有标准答案。模型通过大量“输入+正确答案”的样本来学习映射关系。
- 典型任务：分类（预测类别，如邮件是否为垃圾邮件）、回归（预测数值，如房价、销量）
- 关键要求：数据必须带标签（label），且标签质量直接影响模型上限
- 常用算法：逻辑回归、支持向量机（SVM）、决策树、随机森林、XGBoost、神经网络
- 实战注意：别跳过数据清洗和特征工程；务必划分训练集/验证集/测试集；用准确率、精确率、召回率、F1或MSE/R²等指标评估，而不是只看训练误差
无监督学习：从数据中自主发现规律
无监督学习像让一群人在没老师指导的情况下整理一堆杂乱照片——他们只能根据相似性、距离或分布特点自行分组或降维。
- 典型任务：聚类（把样本自动分组，如用户分群）、降维（压缩特征维度，如PCA可视化高维数据）、异常检测（识别罕见模式）
- 关键特点：数据不带标签；结果没有唯一标准答案，需结合业务解读
- 常用算法：K-Means、DBSCAN、层次聚类、主成分分析（PCA）、t-SNE、自编码器
- 实战注意：K值选择（K-Means）需尝试肘部法则或轮廓系数；聚类结果要人工抽样验证合理性；降维后不可逆，慎用于最终建模特征
怎么选？先问三个问题
面对一个新问题，快速判断学习范式，只需确认：
立即学习“Python免费学习笔记（深入）”；
- 你手头的数据里，每个样本是否有明确对应的“正确答案”？有→监督学习；没有→无监督学习
- 你的目标是预测未来某个具体值或类别？是→监督学习；如果是探索结构、简化数据、找异常点？→无监督学习
- 能否定义什么是“好结果”？能用数字指标衡量（如准确率95%）→监督学习；更多依赖业务判断（如“这五类客户画像区分度够大”）→无监督学习
它们也能一起用：半监督与混合流程
真实场景常不非黑即白。例如：
- 只有少量标注数据 + 大量未标注数据 → 可用半监督学习（如自训练、一致性正则）
- 先用PCA降维再用K-Means聚类 → 无监督嵌套使用
- 用聚类结果作为新特征，输入到监督模型中（如“用户所属人群ID”作为分类特征）→ 无监督为监督服务
