机器学习分类

机器学习分类：监督学习与无监督学习

小象实战讲义 · Python数据分析实战

在上一节中，我们按照任务类型将机器学习分为分类、回归和聚类。本节我们将从另一个重要维度——数据本身出发，学习如何根据样本是否包含标签来对机器学习进行分类。理解这一分类方式是选择正确算法、构建有效模型的基础。

💡 核心导读

• 分类新维度：从“任务分类”转向“数据分类”，理解两种分类体系的互补关系。
• 监督学习：训练数据包含明确标签（如“是鸭子/不是鸭子”），模型学习从特征到标签的映射关系。
• 无监督学习：训练数据只有特征、没有标签，模型自主发现数据中的内在结构和模式。
• 典型场景：分类/回归问题属于监督学习，聚类问题属于无监督学习。
• 实践意义：根据手头数据的“标签完整性”选择合适的学习范式。

两种分类体系的区别与联系

在机器学习入门阶段，我们常常会遇到两种不同的“分类”说法，这可能会让初学者感到困惑。让我们先理清这两种分类体系的区别：

按任务分类（上一节内容）：

• 分类问题：预测离散的类别标签（如“是/否”、“A/B/C”）
• 回归问题：预测连续的数值（如房价、温度）
• 聚类问题：将相似数据点分组，不预测具体标签

按样本分类（本节重点）：

• 监督学习：训练样本包含对应的“标签”
• 无监督学习：训练样本不包含“标签”

这两种分类体系是正交的、互补的。任务分类告诉我们“要解决什么问题”，而样本分类告诉我们“有什么样的数据可用”。在实际项目中，我们通常需要同时考虑这两个维度来选择合适的方法。

监督学习：有标签的数据训练

监督学习的核心特点是：训练数据中每个样本都包含特征和对应的标签。模型的任务是学习从特征到标签的映射关系，以便对新的、未见过的数据做出准确预测。

监督学习的基本流程

# 示例：监督学习数据构造（鸭子识别问题）
import pandas as pd

# 构造一个有标签的数据集
# 特征：是否有羽毛、是否有长脖子、是否会游泳
# 标签：是否为鸭子（1表示是，0表示不是）
data_supervised = {
    '有羽毛': [1, 1, 0, 0, 1, 0],
    '有长脖子': [1, 1, 0, 0, 1, 0],
    '会游泳': [1, 1, 0, 1, 1, 0],
    '是否为鸭子': [1, 1, 0, 0, 1, 0]  # 这是标签列
}

df_supervised = pd.DataFrame(data_supervised)
print("监督学习训练数据（含标签）：")
print(df_supervised)
print(f"\n数据类型：{type(df_supervised).__name__}")

监督学习训练数据（含标签）：
   有羽毛  有长脖子  会游泳  是否为鸭子
0    1     1    1      1
1    1     1    1      1
2    0     0    0      0
3    0     0    1      0
4    1     1    1      1
5    0     0    0      0

数据类型：DataFrame

监督学习的两种主要任务

监督学习根据标签的类型，又可以细分为两类：

1. 分类问题：标签是离散的类别

   • 二分类：如垃圾邮件识别（是/否）、疾病诊断（阳性/阴性）
   • 多分类：如手写数字识别（0-9）、图像分类（猫/狗/鸟）

2. 回归问题：标签是连续的数值

   • 如房价预测、销售额预测、温度预测

# 示例：分类与回归问题的数据对比
import numpy as np

# 分类问题数据示例（离散标签）
classification_data = {
    '特征1': [1.2, 2.3, 3.1, 4.5, 5.0],
    '特征2': [0.5, 1.2, 2.1, 3.0, 3.5],
    '类别标签': ['A', 'B', 'A', 'C', 'B']  # 离散值
}

# 回归问题数据示例（连续标签）
regression_data = {
    '特征1': [1.2, 2.3, 3.1, 4.5, 5.0],
    '特征2': [0.5, 1.2, 2.1, 3.0, 3.5],
    '数值标签': [10.5, 22.3, 31.8, 45.2, 50.1]  # 连续值
}

print("分类问题标签类型示例：", classification_data['类别标签'])
print("回归问题标签类型示例：", regression_data['数值标签'])

分类问题标签类型示例： ['A', 'B', 'A', 'C', 'B']
回归问题标签类型示例： [10.5, 22.3, 31.8, 45.2, 50.1]

监督学习的应用场景

监督学习广泛应用于各种需要预测的领域：

• 图像识别：给定图片，判断内容（如是否为鸭子）
• 自然语言处理：文本分类、情感分析
• 医疗诊断：根据症状和检查结果预测疾病
• 金融风控：根据用户信息预测违约风险

无监督学习：无标签的数据探索

无监督学习的核心特点是：训练数据只有特征，没有标签。模型的任务是自主发现数据中的内在结构、模式或关系，而不是学习预测特定的标签。

无监督学习的基本流程

# 示例：无监督学习数据构造（动物特征聚类）
import pandas as pd

# 构造一个无标签的数据集，只有特征
data_unsupervised = {
    '有羽毛': [1, 1, 0, 0, 1, 0],
    '有长脖子': [1, 1, 0, 0, 1, 0],
    '会游泳': [1, 1, 0, 1, 1, 0],
    # 注意：这里没有“是否为鸭子”的标签列
}

df_unsupervised = pd.DataFrame(data_unsupervised)
print("无监督学习训练数据（无标签）：")
print(df_unsupervised)
print(f"\n数据形状：{df_unsupervised.shape}")
print(f"列名：{list(df_unsupervised.columns)}")

无监督学习训练数据（无标签）：
   有羽毛  有长脖子  会游泳
0    1     1    1
1    1     1    1
2    0     0    0
3    0     0    1
4    1     1    1
5    0     0    0

数据形状：(6, 3)
列名：['有羽毛', '有长脖子', '会游泳']

无监督学习的主要任务

无监督学习最常见的任务是聚类分析，但还包括其他类型：

1. 聚类分析：将相似的数据点分组

   • 如客户分群、文档主题发现、图像分割

2. 降维：减少数据特征的数量，同时保留重要信息

   • 如主成分分析（PCA）、t-SNE

3. 关联规则学习：发现数据项之间的有趣关系

   • 如购物篮分析（啤酒和尿布）

4. 异常检测：识别与大多数数据显著不同的数据点

聚类分析示例

在视频中提到的鸭子、兔子、刺猬的例子中，无监督学习算法会：

1. 分析所有图片的特征（颜色、形状、纹理等）
2. 计算图片之间的相似度
3. 将相似的图片自动分组
4. 最终可能发现三组：鸭子组、兔子组、刺猬组

这个过程完全不需要人工标注“这是鸭子”、“这是兔子”，算法通过数据自身的特征就能发现这些自然分组。

# 示例：聚类结果的简单表示
# 假设经过无监督学习后，数据被分为3类
clustering_result = {
    '数据点': ['图片1', '图片2', '图片3', '图片4', '图片5', '图片6'],
    '聚类标签': [0, 0, 1, 2, 0, 1]  # 算法自动分配的聚类编号
}

print("聚类分析结果：")
for i in range(len(clustering_result['数据点'])):
    point = clustering_result['数据点'][i]
    cluster = clustering_result['聚类标签'][i]
    print(f"{point} → 属于第{cluster}类")

聚类分析结果：
图片1 → 属于第0类
图片2 → 属于第0类
图片3 → 属于第1类
图片4 → 属于第2类
图片5 → 属于第0类
图片6 → 属于第1类

监督学习 vs 无监督学习：对比总结

为了更清晰地理解两者的区别，我们通过一个对比表格来总结：

+------------------+----------------------+----------------------+
| 对比维度         | 监督学习             | 无监督学习           |
+------------------+----------------------+----------------------+
| 训练数据         | 特征 + 标签          | 只有特征             |
| 学习目标         | 学习特征到标签的映射 | 发现数据内在结构     |
| 主要任务         | 分类、回归           | 聚类、降维、关联分析 |
| 需要人工标注     | 是                   | 否                   |
| 结果评估         | 有明确标准（准确率） | 较主观，依赖业务解释 |
| 典型算法         | 决策树、SVM、逻辑回归| K-Means、PCA、DBSCAN |
| 应用场景         | 预测、识别           | 探索、分组、压缩     |
+------------------+----------------------+----------------------+

实际项目中的选择策略

在实际数据分析项目中，选择监督学习还是无监督学习，主要取决于：

1. 数据可用性：是否有高质量的标注数据？
2. 业务目标：是要预测具体结果，还是探索数据模式？
3. 资源限制：标注数据需要时间和成本，是否值得投入？

很多时候，两者可以结合使用。例如：

• 先用无监督学习对客户进行分群
• 再对每个客户群分别建立监督学习模型进行预测

📝 动手练一练

1. 概念辨析：假设你有一批电商用户的行为数据（浏览记录、购买记录、停留时间等），但没有用户的性别、年龄等人口统计信息。现在需要将这些用户分成不同的群体以便进行精准营销。这种情况下，应该选择监督学习还是无监督学习？为什么？

2. 数据构造练习：请构造一个适合监督学习的小型数据集，要求包含：

   • 至少3个特征列
   • 1个二分类标签列（0/1）
   • 总共5个样本

   用Python代码创建这个DataFrame并打印出来。

import pandas as pd

# 构造监督学习数据集示例：学生考试通过预测
# 特征：学习时长(小时)、练习题目数、课前预习(1是/0否)
# 标签：是否通过考试(1通过/0未通过)
student_data = {
    '学习时长': [20, 15, 30, 10, 25],
    '练习题目数': [50, 30, 80, 20, 70],
    '课前预习': [1, 0, 1, 0, 1],
    '通过考试': [1, 0, 1, 0, 1]  # 二分类标签
}

df_students = pd.DataFrame(student_data)
print("学生考试通过预测数据集：")
print(df_students)
print(f"\n数据集形状：{df_students.shape}")

学生考试通过预测数据集：
   学习时长  练习题目数  课前预习  通过考试
0    20     50     1     1
1    15     30     0     0
2    30     80     1     1
3    10     20     0     0
4    25     70     1     1

数据集形状：(5, 4)

本章小结

本节我们学习了机器学习的另一种重要分类方式——根据样本是否包含标签，将机器学习分为监督学习和无监督学习。这是选择合适算法、构建有效模型的关键决策点。

核心要点回顾

• 监督学习：使用有标签的数据进行训练，学习特征到标签的映射关系，主要用于预测任务（分类和回归）。
• 无监督学习：使用无标签的数据进行训练，自主发现数据的内在结构和模式，主要用于探索任务（聚类、降维等）。
• 两种分类体系：任务分类（分类/回归/聚类）和样本分类（监督/无监督）是正交的、互补的视角。
• 实际应用：分类和回归问题属于监督学习，聚类问题属于无监督学习。

📋 行动清单

• 回顾自己手头的数据分析项目，明确数据是否包含标签，判断适合监督学习还是无监督学习
• 尝试用Python构造一个小型的监督学习数据集和无监督学习数据集，体会两者的区别
• 思考一个实际业务问题，分别从监督学习和无监督学习的角度设计解决方案

理解监督学习与无监督学习的区别，是迈向实际机器学习应用的重要一步。在接下来的课程中，我们将深入scikit-learn库，学习如何具体实现这些学习算法。

—— 小象教研组