机器学习分类之“监督式学习”和“非监督式学习”，全网讲的最简单最明白

根据输入数据是否具有“响应变量”信息，机器学习被分为“监督式学习”和“非监督式学习”。“监督式学习”即输入数据中即有X变量，也有y变量，特色在于使用“特征（X变量）”来预测“响应变量（y变量）”。如果响应变量（y变量）为分类变量，比如信贷资产五级分类（正常、关注、次级、可疑、损失）或客户信用评级（AAA, AA……, C, D），则又可以进一步称为“分类问题监督式学习”；如果响应变量（y变量）为连续变量，比如计算客户最大债务承受额，则又可以进一步称为“回归问题监督式学习”。“非监督式学习”即算法在训练模型时期不对结果进行标记，而是直接在数据点之间找有意义的关系，或者说输入数据中仅有X变量而没有y变量，特色在于针对X变量进行降维或者聚类，以挖掘特征变量的自身特征。“监督式学习”和“非监督式学习”只是常见的机器学习分类，除了这两种之外，还有半监督式学习、强化学习等学习方式。

“监督式学习”的模型优劣及应用场景很好理解。模型优劣评价方面，输入x变量值后，通过机器学习算法构建模型得到y变量拟合值，将它与y变量实际值进行对比，即可检验模型的优劣。其中针对“回归问题监督式学习”，比较的是y变量拟合值与实际值的数量差异；针对“分类问题监督式学习”，则比较的是y变量拟合的分类和实际的分类。应用场景方面，比如根据目标客户的基本信息、交易信息等特征，预测客户的价值贡献度（回归问题）、是否购买新产品（分类问题），进而制定针对性的市场营销策略；又比如根据目标客户的基本信息、财务信息、负债及对外担保信息等预测违约概率（回归问题）、进行信用评级（分类问题），进而制定针对性的风险防控策略。 “非监督式学习”由于目标不明确，所以其效果很难评估，它的价值在于发现模式以及相关性。如果从特征（变量）的角度来看，价值体现在对变量进行降维，从而有助于解释变量之间的关系或降低模型的复杂程度；如果从样本的角度来看，价值体现在可以研究个体之间的关系，将相近的个体划分在一起。比如可以用于商业银行的反洗钱领域或员工行为管理，通过“非监督式学习”把行为或个体快速进行分类，即使我们可能无法清楚地知晓分类意味着什么，但是可以快速区分出正常或异常的行为或个体组，从而为深入分析做好准备，显著提升分析效率。又比如在搜索引擎中，我们基于用户特征把用户快速聚类，可精准实施广告投放或偏好信息推送。再比如在电商平台中，系统针对具有相似购买行为的用户推荐合适的产品，A用户和B用户为同一类，若A用户购买了某产品，则B用户大概率也会购买该产品，可将该产品推送给B用户，实现精准推荐等。

以上内容节选自《Python机器学习原理与算法实现》（杨维忠 张甜 著 2023年2月新书 清华大学出版社）一书“3.3 机器学习分类”。

Python、机器学习听起来很难，能学会吗？--推荐一本避雷避坑、已经被亲测可行的网红书：《Python机器学习原理与算法实现》（杨维忠 张甜 著 2023年2月新书 清华大学出版社）。这本书内容非常详实，包含了Python学习和机器学习算法原理，相当于一次获得了两本书，同时详解Python学习和机器学习算法的问题。在讲解各类机器学习算法时，逐一详解用到的各种Python代码，针对每行代码均有恰当注释（这一点基本上是大多数书目做不到的）。

《Python机器学习原理与算法实现》一书创作完成后，在正式出版之前，已经开发成一套系统课程，分9次授课，在某全国性股份制商业银行内部开展了培训，490人根据行内组织统一学习，授课完成后放在知鸟平台供回放学习，9次课程累计回放量近3万次，得到参训学员的一致好评，广泛应用于各位学员的工作实践。（所以，几乎没有太大难度，只要用心学，都没问题哦）

这本书在机器学习各种算法的介绍方面通俗易懂，较少涉及数学推导，对数学基础要求相对不高，在python代码方面讲的很细致，看了以后根据自身需要选取算法、优化代码、科学调参。随书赠送的学习资料也很多，包括全部的源代码、PPT、思维导图，还有12小时的讲解视频，每一章后面还有练习题及参考答案，还有学习群，相对于只看网络上的视频，一方面更加系统、高效，另一方面照着书一步步操作学起来也事半功倍。

本书特色通过“入门—进阶—应用”循序渐进的方式讲解Python。前两章分别讲解Python入门知识和Python进阶知识，使大家能够基本掌握Python的基础知识与进阶应用，后续章节在讲解各类机器学习算法时，逐一详解用到的各种Python代码，针对每行代码均有恰当注释，使读者能够真正理解各种代码的含义，从而可以灵活运用于自身的科研或应用研究。通过“复杂算法模型简单化、抽样理论概念具象化”深入浅出的方式讲解机器学习。本书尽可能用图像化、案例化的方式剖析各种算法的基本原理、适用条件，使读者真的能够看得明白、学得进去，避免在复杂的数学公式推导面前耗尽了所有的学习热情，苦技能虽好却不能为己所用。同时也做到了不失专业深度，使读者真正能够掌握各种算法的精髓，能根据自身需要选取算法、优化代码、科学调参。实现了Python与机器学习应用的深度融合。本书以学以致用为桥梁实现了Python与机器学习之间的高效联动协同，使读者通过本书的学习能够同时掌握Python语言、机器学习这两大专业利器，达到“一箭双雕”的学习效果，有效提升自己的科研与应用水平。

创作不易，恳请各位朋友多多点赞支持，真诚感谢！