No supervisada y métodos supervisados que entender que hay muchos, se puede entender a partir de los siguientes aspectos principales:
1, no hay diferencia entre el aprendizaje supervisado y no supervisado que una educación libre de valores, un valor enseñanza. Pero personalmente creo que la diferencia entre ellos es que el general es el uso del aprendizaje no supervisado de agrupación algoritmos para clasificar las diferentes muestras. El aprendizaje supervisado, en general, es el uso del valor de error enseñanza y el valor de salida real generada por la red de retropropagación de errores para modificar los pesos para completar la corrección. Pero el aprendizaje no supervisado no modifica el funcionamiento pesos de propagación hacia atrás.
2, todas las muestras etiquetadas / muestra Todas sin etiquetar ··· PS: sección etiquetada aprendizaje semisupervisado
3, la entrada de conjunto de entrenamiento es supervisado la salida, incluyendo todos los algoritmo de clasificación algoritmo de regresión, como la regresión lineal, árboles de decisión, redes neuronales, KNN, SVM y así sucesivamente; el conjunto de entrenamiento se sin supervisión no sólo la salida de entrada, incluyendo todos los clústeres algoritmos, tales como k-medias, PCA, GMM , etc.
Hay aprendizaje supervisado: el concepto de muestras de entrenamiento han etiquetado (clasificación) de aprendizaje, datos fuera del conjunto de muestras de entrenamiento como previsión de la etiqueta (clasificados). En este caso, todas las etiquetas (clasificación) se conoce. Por lo tanto, la ambigüedad de muestras de entrenamiento es baja. Sin supervisión de aprendizaje: el concepto de muestras de entrenamiento marcados (clasificación) es para aprender, para descubrir el conocimiento estructural del conjunto de muestras de entrenamiento. Aquí, todas las etiquetas (clasificación) es desconocida. Por lo tanto, la ambigüedad de muestras de entrenamiento es alta. La agrupación es un aprendizaje sin supervisión típica
