机器学习主要分为监督学习和无监督学习两大类，两者的核心区别在于数据是否带有标签（Label）。以下是它们的详细对比和说明：

1. 监督学习（Supervised Learning）

定义：通过带有标签的训练数据（输入特征 + 对应的正确答案）学习模型，用于预测新数据的标签。
核心任务：分类（预测离散类别）或回归（预测连续值）。

典型算法：

• 分类：逻辑回归、决策树、随机森林、支持向量机（SVM）、朴素贝叶斯、神经网络等。
  示例：垃圾邮件识别（输入邮件内容，输出“垃圾”或“正常”）。

• 回归：线性回归、多项式回归、岭回归等。
  示例：房价预测（输入房屋特征，输出价格数值）。

特点：

• 需要大量标注数据（标签可能需人工标注，成本高）。

• 模型性能易评估（通过准确率、精确率、均方误差等指标）。

2. 无监督学习（Unsupervised Learning）

定义：从无标签的数据中挖掘隐藏模式或结构，无需预先定义的答案。
核心任务：聚类（分组）、降维、关联规则挖掘等。

典型算法：

• 聚类：K-Means、层次聚类、DBSCAN、高斯混合模型（GMM）等。
  示例：客户分群（根据消费行为将用户分为不同群体）。

• 降维：PCA（主成分分析）、t-SNE、Autoencoder等。
  示例：将高维数据压缩为2D/3D可视化。

• 关联规则：Apriori算法。
  示例：购物篮分析（发现“买啤酒的人常买尿布”）。

特点：

• 无需标注数据，适合探索性分析。

• 评估较主观（如聚类效果依赖人工解释或轮廓系数等指标）。

关键区别

3. 其他学习类型

• 半监督学习：结合少量标注数据和大量无标注数据（如医疗影像分析）。

• 强化学习：通过与环境交互学习最优策略（如AlphaGo）。

如何选择？

• 有明确目标（如预测）且数据已标注 → 监督学习。

• 探索数据内在结构或缺乏标签 → 无监督学习。

实际应用中，两者常结合使用（如先用无监督学习降维，再用监督学习分类）。