监督学习和无监督学习
1. 监督学习（Supervised Learning）
监督学习是指在训练模型时，我们有已知的“标签”数据，也就是输入数据和对应的正确输出结果。例如，我们给模型提供一组图片（输入数据），并且标注好每张图片是什么动物（输出结果），模型的任务就是学会从输入数据中预测出正确的结果。
举个例子，假如你有很多猫和狗的照片，并且每张照片都标注了它是猫还是狗。监督学习的目标就是让模型学会识别猫和狗的不同特征，以便在给它一张新图片时，它能判断是猫还是狗。
2. 无监督学习（Unsupervised Learning）
无监督学习则不同，它不依赖于有标签的训练数据。在无监督学习中，数据没有明确的“答案”，模型的任务是从数据中发现某种模式或结构。也就是说，模型会自己分析数据之间的关系，尝试把数据分成几类，或者发现数据中的隐藏规律。
举个例子，你有一堆动物的图片，但你并不知道每张图片是什么动物。无监督学习的目标是根据图片的特征（例如颜色、形状等）将这些图片分成若干组，可能分出一组是猫，一组是狗，等等，但这些分组是模型自己发现的，并没有明确告诉模型每组是什么。
对比表格
| 特征 | 监督学习（Supervised Learning） | 无监督学习（Unsupervised Learning） |
|---|---|---|
| 数据类型 | 需要带标签的数据（输入和输出已知） | 不需要标签的数据（只有输入数据） |
| 任务类型 | 分类、回归（预测一个已知的结果） | 聚类、降维（发现数据中的潜在结构或模式） |
| 结果 | 输出是已知的，模型用来进行预测 | 输出未知，模型自行分析数据中的规律或分组 |
| 举例 | 给图片加标签，预测房价，语音识别等 | 市场细分，客户聚类，降维处理等 |
总结
- 监督学习：数据有明确标签，模型学会预测结果。
- 无监督学习：数据没有标签，模型从数据中找规律。
