无监督学习是一种机器学习技术，指在不使用标记或标签数据的情况下，通过挖掘数据的内在结构和模式来训练模型的算法。无监督学习主要依赖于数据的自然分布和内在结构来进行学习。它没有预先定义的目标或标签，而是通过算法自动发现数据中的模式和关联。
什么是无监督学习？根据类别未知（没有被标记）的训练样本解决模式识别中的各种问题，称之为无监督学习。无监督学习也就是我们事先没有任何训练数据样本，需要直接对数据进行建模。
无监督学习是机器学习的一个分支，它从未经标记或分类的测试数据中学习。它本质上是一个统计手段，在没有标签的数据里可以发现潜在的一些结构。两者的主要区别是：监督学习是一种目的明确的训练方式，你知道得到的是什么；而无监督学习则是没有明确目的的训练方式，你无法提前知道结果是什么。
无监督学习（unsupervised learning）：设计分类器时候，用于处理未被分类标记的样本集.最简单也最普遍的一类机器学习算法就是分类（classification）。对于分类，输入的训练数据有特征（feature），有标签（label）。所谓的学习，其本质就是找到特征和标签间的关系（mapping）。
因此没有错误或报酬信号来评估潜在的解决方案。这区别于监督学习和强化学习无监督学习。无监督学习是密切相关的统计数据密度估计的问题。然而无监督学习还包括寻求，总结和解释数据的主要特点等诸多技术。在无监督学习使用的许多方法是基于用于处理数据的数据挖掘方法。非监督学习对应的是监督学习。
1、在机器学习中，监督学习和无监督学习是两种主要的学习范式，它们在数据处理、模型训练和应用场景等方面存在显著差异。监督学习：定义： 监督学习是通过训练数据集中的输入和输出之间的关系来学习模型。训练数据集包括输入数据和对应的期望输出（标签或目标值）。
2、总结来说，监督学习和无监督学习的区别在于学习方式、目标和输出形式，以及在实际应用中的不同场景。监督学习适用于分类和预测，无监督学习则用于模式识别和数据结构分析，而强化学习则关注通过环境反馈优化行为策略。
3、数据类型：监督学习使用标记数据进行训练，即每个数据点都有相应的标签或目标值。而无监督学习则使用未标记数据进行训练，数据点没有明确的标签或目标值。学习目标：监督学习的目标是通过学习标记数据中的模式，建立一个能够预测新数据标签或目标值的模型。
1、总之，无监督学习所需的样本数据通常是未标记的数据，包括各种类型的非结构化数据，用于聚类、异常检测、降维等任务。通过这些样本数据，无监督学习算法可以自主地发现数据中的模式和结构，并提供对数据的深入理解和分析。
2、总的来说，监督学习所需要的样本数据包括特征数据、标签数据、训练数据、测试数据和验证数据。这些数据对于建立高效的模型和实现准确的预测和分类具有重要影响。因此，在进行监督学习之前，需要对数据进行充分的研究和分析，并选择合适的算法和模型来处理数据。
3、监督学习 监督学习是在具有标签的训练数据上进行学习。在监督学习中，训练数据包括输入特征和对应的标签或输出值。通过使用这些标签作为参考闹枣，算法可以学习输入特征和输出之间的关系，从而能够对新的输入数据进行准确的预测或分类。非监督学习 非监督学习是在没有标签的训练数据上进拦埋行学习。
4、学习方式： 监督学习需要从已知的输入和输出中学习模型，无监督学习则是通过发现数据内在结构来学习。应用场景： 监督学习常用于预测、推荐系统、图像识别等需要有明确目标的任务；无监督学习适用于数据探索、数据压缩、特征提取等领域。监督学习和无监督学习在机器学习领域发挥着不同的作用。
5、集成学习如GBDT（弱学习器增强）、adaboost（误差调整权重）和XGBoost/LightGBM/CatBoost等，通过结合多个模型提升预测准确性，GBDT和adaboost是基于树的Boosting算法，XGBoost则加入了正则化和泰勒展开的优化。无监督学习无监督学习处理无标签数据，关注数据内在结构。
