企业官网建设流程全解析

监督学习 vs 聚类

核心一句话：聚类属于无监督学习，不是监督学习。

1、监督学习（Supervised Learning）

✅有标签（label），数据包含「输入特征 + 标准答案」。 模型学习：输入 →预测标签。

分为两类：

1. 分类：输出离散类别 例：猫狗识别、判断图片是不是人脸； 算法：SVM、逻辑回归、决策树、随机森林、CNN。

2. 回归：输出连续数值 例：房价预测、温度预测。

训练的时候每一条样本都给它正确答案，模型拿标签修正自己。

2、无监督学习（Unsupervised Learning）

❌没有标签，没有标准答案，只有特征数据。 算法自动挖掘数据内在结构、分组。

聚类（Clustering）—— 典型无监督

目标：把相似样本归到同一组。 常见算法：

• K‑Means（K 均值聚类）
• DBSCAN（密度聚类）
• Hierarchical 层次聚类
• GMM 高斯混合模型

例子：给一堆用户数据，事先不知道分几类，算法自动分成 “活跃用户、沉睡用户”。

⚠易错点： 聚类不需要标注；如果你手上已经有真实类别标签，那是拿来做聚类效果评估，不是训练用。

3、半监督学习

少量样本有标签，大量样本无标签。 用少量标签 + 大量无标签数据一起训练。

4、弱监督 / 自监督学习

自监督：自己从数据构造伪标签（大模型预训练常用）。