这个问题能够回答得很简单：是否有监督（supervised），就看输入数据是否有标签（label）。输入数据有标签，则为有监督学习，没标签则为无监督学习。算法
什么是学习（learning）？网络
学习：一个成语就可归纳：触类旁通。此处以高考为例，高考的题目在上考场前咱们未必作过，但在高中三年咱们作过不少不少题目，懂解题方法，所以考场上面对陌生问题也能够算出答案。机器学习的思路也相似：咱们能不能利用一些训练数据（已经作过的题），使机器可以利用它们（解题方法）分析未知数据（高考的题目）？机器学习
什么是监督学习?ide
监督学习（supervised learning）：经过已有的训练样本（即已知数据以及其对应的输出）来训练，从而获得一个最优模型，再利用这个模型将全部新的数据样本映射为相应的输出结果，对输出结果进行简单的判断从而实现分类的目的，那么这个最优模型也就具备了对未知数据进行分类的能力。学习
监督学习中只要输入样本集,机器就能够从中推演出制定目标变量的可能结果.如协同过滤推荐算法,经过对训练集进行监督学习,并对测试集进行预测,从而达到预测的目的。监督学习里典型的例子就是KNN、SVM，决策树、神经网络以及疾病监测。测试
目前分类算法的效果仍是不错的，但相对来说，聚类算法就有些惨不忍睹了。确实，无监督学习自己的特色使其难以获得如分类同样近乎完美的结果。这也正如咱们在高中作题，答案（标签）是很是重要的，假设两个彻底相同的人进入高中，一个正常学习，另外一人作的全部题目都没有答案，那么想必第一我的高考会发挥更好，第二我的会发疯。idea
什么是无监督学习?spa
无监督学习（unsupervised learning）：咱们事先没有任何训练数据样本，须要直接对数据进行建模。好比咱们去参观一个画展，咱们对艺术一无所知，可是欣赏完不少幅做品以后，咱们面对一幅新的做品以后，至少能够知道这幅做品是什么派别的吧，好比更抽象一些仍是更写实一点，虽然不能很清楚的了解这幅画的含义，可是至少咱们能够把它分为哪一类。变量
再给你们举一个无监督学习的例子。远古时期，咱们的祖先打猎吃肉，他们自己以前是没有经验而言的，当有人用很粗的石头去割动物的皮的时候，发现很难把皮隔开，可是又有人用很薄的石头去割，发现比别人更加容易的隔开动物的毛皮，因而，次日、第三天、……，他们就知道了须要寻找比较薄的石头片来割。这些就是无监督学习的思想，外界没有经验和训练数据样本提供给它们，彻底靠本身摸索。sed
无监督学习里典型的例子就是聚类了。聚类的目的在于把类似的东西聚在一块儿，而咱们并不关心这一类是什么。所以，一个聚类算法一般只须要知道如何计算类似度就能够开始工做了。
什么是半监督学习？
半监督学习（unsupervised learning）：
这时有人可能会想，难道有监督学习和无监督学习就是非黑即白的关系吗？有没有灰呢？Good idea。灰是存在的。两者的中间带就是半监督学习（semi-supervised learning）。对于半监督学习，其训练数据的一部分是有标签的，另外一部分没有标签，而没标签数据的数量经常极大于有标签数据数量（这也是符合现实状况的）。隐藏在半监督学习下的基本规律在于：数据的分布必然不是彻底随机的，经过一些有标签数据的局部特征，以及更多没标签数据的总体分布，就能够获得能够接受甚至是很是好的分类结果。（此处大量忽略细节）
总结
所以，learning家族的总体构造是这样的：
有监督学习（分类，回归）
↕
半监督学习（分类，回归），transductive learning（分类，回归）
↕
半监督聚类（有标签数据的标签不是肯定的，相似于：确定不是xxx，极可能是yyy）
↕
无监督学习（聚类）
那么，何时应该采用监督学习，何时应该采用非监督学习呢？一种很是简单的回答就是从定义入手，若是咱们在分类的过程当中有训练样本(training data)，则能够考虑用监督学习的方法；若是没有训练样本，则不可能用监督学习的方法。可是事实上，咱们在针对一个现实问题进行解答的过程当中，即便咱们没有现成的训练样本，咱们也可以凭借本身的双眼，从待分类的数据中人工标注一些样本，并把他们做为训练样本，这样的话就能够把条件改善，用监督学习的方法来作。