一、監(jiān)督學(xué)習(xí)根據(jù)有無標(biāo)簽分類

根據(jù)有無標(biāo)簽，監(jiān)督學(xué)習(xí)可分類為：傳統(tǒng)的監(jiān)督學(xué)習(xí)（Traditional Supervised Learning）、非監(jiān)督學(xué)習(xí)（Unsupervised Learning）、半監(jiān)督學(xué)習(xí)（Semi-supervised Learning）。

（1）傳統(tǒng)的監(jiān)督學(xué)習(xí)

傳統(tǒng)的監(jiān)督學(xué)習(xí)的每個訓(xùn)練數(shù)據(jù)均具有標(biāo)簽（標(biāo)簽可被理解為每個訓(xùn)練數(shù)據(jù)的正確輸出，計算機(jī)可通過其輸出值與標(biāo)簽對比進(jìn)行機(jī)器學(xué)習(xí)）。傳統(tǒng)的監(jiān)督學(xué)習(xí)包括：支持向量機(jī)（Support Vector Machine）、人工神經(jīng)網(wǎng)絡(luò) （Neural Networks）、深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Networks）。

（2）非監(jiān)督學(xué)習(xí)

非監(jiān)督學(xué)習(xí)的所有數(shù)據(jù)均沒有標(biāo)簽。非監(jiān)督學(xué)習(xí)假設(shè)同一類訓(xùn)練數(shù)據(jù)在空間中距離更近（個人理解：例如將若干含有兩個變量的訓(xùn)練數(shù)據(jù)繪制于平面直角坐標(biāo)系中，同一類訓(xùn)練數(shù)據(jù)在坐標(biāo)系中的距離更近），計算機(jī)可根據(jù)樣本空間信息，將空間距離更近的數(shù)據(jù)分為一類。非監(jiān)督學(xué)習(xí)包括：聚類（Clustering）、EM算法（Expectation-Maximization Algorithm）、主成分分析（Principle Component Analysis）。



圖片來源：中國慕課大學(xué)《機(jī)器學(xué)習(xí)概論》

（3）半監(jiān)督學(xué)習(xí)

半監(jiān)督學(xué)習(xí)中，一部分訓(xùn)練數(shù)據(jù)具有標(biāo)簽，一部分訓(xùn)練數(shù)據(jù)沒有標(biāo)簽。因為隨著互聯(lián)網(wǎng)的普及，互聯(lián)網(wǎng)中存在大量數(shù)據(jù)，將所有互聯(lián)網(wǎng)數(shù)據(jù)進(jìn)行標(biāo)注的耗費較大，所以研究如何通過少量標(biāo)注數(shù)據(jù)和大量未標(biāo)注數(shù)據(jù)共同訓(xùn)練機(jī)器學(xué)習(xí)算法，即半監(jiān)督學(xué)習(xí)成為機(jī)器學(xué)習(xí)的研究方向之一。

二、監(jiān)督學(xué)習(xí)根據(jù)標(biāo)簽固有屬性分類

根據(jù)標(biāo)簽固有屬性，監(jiān)督學(xué)習(xí)可被分為分類（Classification）和回歸（Regression）。如果標(biāo)簽是離散的值，該種監(jiān)督學(xué)習(xí)被稱為分類；如果標(biāo)簽是連續(xù)的值，該種監(jiān)督學(xué)習(xí)被稱為回歸。



圖片來源：中國慕課大學(xué)《機(jī)器學(xué)習(xí)概論》

人臉識別屬于監(jiān)督學(xué)習(xí)中的分類。人臉識別的任務(wù)包括兩個：其一是識別兩張人臉圖片是否為同一個人，開發(fā)人員可將兩張人臉圖片是同一個人的標(biāo)簽定義為1，將兩張人臉圖片不是同一個人的標(biāo)簽定義為0；其二是在多張人臉圖片（也可以是多個人臉在一張圖片中）識別某個人臉，開發(fā)人員可將每個人臉定義標(biāo)簽為一個數(shù)字，可根據(jù)數(shù)字1、2、3……N的順序為每個人臉定義標(biāo)簽。以上人臉識別兩個任務(wù)的標(biāo)簽均是離散的值。



圖片來源：中國慕課大學(xué)《機(jī)器學(xué)習(xí)概論》

預(yù)測股票價格、預(yù)測房價、預(yù)測溫度、預(yù)測年齡等問題屬于監(jiān)督學(xué)習(xí)問題中的回歸問題。一般，股票、房價、溫度、年齡變化的數(shù)據(jù)（個人理解：此處的數(shù)據(jù)可被理解為標(biāo)簽）可被視為連續(xù)的值。

雖然監(jiān)督學(xué)習(xí)可被分為分類和回歸，但分類和回歸的界限是模糊的，二者可以相互轉(zhuǎn)換，這是由于連續(xù)數(shù)據(jù)和離散數(shù)據(jù)是可以相互轉(zhuǎn)換的。例如：如果將房價值四舍五入，得出一組離散的數(shù)據(jù)（標(biāo)簽），那么預(yù)測房價問題可屬于分類問題。因此，一個可以解決回歸問題的機(jī)器學(xué)習(xí)算法經(jīng)過較少的改造可解決分類問題，反之亦然。

審核編輯：劉清