區分有監督和無監督，就是看是否有監督（supervised），也就看輸入資料是否有標籤（label）。輸入資料有標籤，則為有監督學習（x,y），沒標籤則為無監督學習(x)。
這也正如我們在高中做題，答案（標籤）是非常重要的，假設兩個完全相同的人進入高中，乙個正常學習(題目有答案)，另一人做的所有題目都沒有答案，那麼想必第乙個人高考會發揮更好，第二個人會發瘋。
作者寫的非常好：
1.從約束角度分析y對於x的約束
2.論標籤對無監督演算法的作用
1. 偽標記一種簡單的半監督學習方法
為了在監督學習下訓練機器學習模型，必須對資料進行標記。這是否意味著未標記的資料對諸如分類和回歸之類的監督任務毫無用處？當然不是！除了將額外的資料用於分析目的之外，我們甚至可以使用它來通過半監督學習來訓練我們的模型-將未標記和標記的資料結合起來進行模型訓練。
訓練集：帶標籤
測試集：無標籤
帶有標籤的訓練集不足時，先把訓練集進行訓練得到訓練模型（此時的模型具有一定能力但是不強），將測試集放入模型中，會**出測試集的偽標籤，然後將訓練集+帶有偽標籤的測試集，輸入模型中，進一步優化模型。
結論：這聽起來像是一項強大的技術，是的，它通常會提高我們模型的效能。但是，調整和使其正常工作可能很困難，即使工作了，也只能帶來輕微的效能提公升。因為它似乎在不大幅提高效能的情況下引入了額外的複雜性
參考：
NLP 監督 半監督 無監督學習
概念 有監督學習 訓練資料既有特徵 feature 又有標籤 label 通過訓練，讓機器可以自己找到特徵和標籤之間的聯絡，在面對只有特徵沒有標籤的資料時，可以判斷出標籤。無監督學習 unsupervised learning 訓練樣本的標記資訊未知，目標是通過對無標記訓練樣本的學習來揭示資料的內在...
監督學習，無監督學習和半監督學習
監督學習 supervised learning 無監督學習 unsupervised learning 半監督學習 semi supervised learning 2 概念 監督學習 用一部分已知分類 有標記的樣本來訓練機器後，讓它用學到的特徵，對沒有還分類 無標記的樣本進行分類 貼標籤。一句話...
有監督學習 無監督學習與半監督學習
這個問題可以回答得很簡單 是否有監督 supervised 就看輸入資料是否有標籤 label 輸入資料有標籤，則為有監督學習，沒標籤則為無監督學習。但根據知乎慣例，答案還是要繼續擴充套件的。首先看什麼是學習 learning 乙個成語就可概括 舉一反三。此處以高考為例，高考的題目在上考場前我們未必...