[DAY 26] 章节3-6: 阿伯日後谈-监督式、半监督式、非监督式学习

3-6 阿伯日後谈

博览会後，太阳渐渐下山了，看着人渐渐散，阿伯也准备收拾摊子回家了，远处看见飞哥跟小博走来，小博手上拿着一份刚料理好的炒面，递给阿伯说:「辛苦啦!」。

飞哥找了个位子坐了下来，跟收拾得差不多的阿伯聊了起来，「之後有打算怎麽发展吗?阿伯。」飞哥询问道。

「且战且走吧，况且，这个社会不太需要老人了，我回去工作岂不是多了抢年轻人工作的罪名。」阿伯看着远方的斜阳说着。

看着旁边津津有味吃着炒面的小博，阿伯说道:「年轻人未来无限可能啊!阿伯再教你一点东西吧!下午跟你说的 k近邻分类演算法 属於 监督式学习(Supervised Learning) ，在这之外，还有 非监督式学习(Unsupervised Learning) 呢!」

「甚麽是监督式学习?要...督谁啊?额...我是说监督。」小博嚼着面没把话说清楚。

「 监督式学习你可以想像就是在既有资料已经含有被标记(label)的类别或组别，可以根据这个类别方便建造模型或建立准则 。像是我知道这群人谁有病谁没病与他们的生活习惯、基因等等资料，谁有发病这点就是一个可被标记的类别。 缺点是有时候资料可能会被标记错误，而影响建模的稳定性 ，你想想看是不是新闻偶尔会出现没并被说有病的状况发生呢!常见的方法有k近邻分类演算法、决策树、一般回归、罗吉式回归、支持向量机器(SVM)。」阿伯细心地说着。

「好像是耶，那非监督式呢?」小博继续问道。

「相反的， 非监督式学习就是资料没有任何的标记 ，在没有任何准则的情况下从零开始慢慢学习。这种学习方式会更倾向一种客观直觉的判断准则，在没有一个判断基准前提下尝试去找出资料的相异性。 缺点是分析跑完後，结果一定有，你不一定解释的出来为何机器学习要这样子分类。 常见的方法有阶层式集群分析(Hierarchical clustering)、k-平均分群法(k-means clustering)、自映射网路(Self-organizing map)」阿伯继续说道。

小博想了下突然眼睛一亮说:「喔喔!所以半监督式学习就是把主观跟客观两边的资讯一起结合，既有标记过的资讯，也有资料原始样貌呈现的讯息，这样就不会对其中一边的资讯过度相信了，对吧?」

阿伯开心的笑着:「呵呵，没错，你头脑真的不错，半监督式学习通常是把监督式与非监督式的资讯以一定比例加起来，我之前常看到的就是两个矩阵(监督式一个、非监督式一个)以不同比例相加，通常分类效果都有一定的提升呢!不过可能还是有其他的结合方式，之後就交由你去研讨罗!」

「原来是这样，我还在想这两者要怎麽结合呢!阿伯真厉害!」小博开心的把剩下的餐点一扫而空。

「是啊!真厉害呢。」阿伯心想，望着远方的余晖会心一笑。

这笑容，是飞哥心中见过最美，也是最祥和的笑容。

资料参考:
https://oosga.com/thinking/difference-between-supervised-learning-and-unsupervised-learning/
https://www.ecloudvalley.com/zh-hant/machine-learning/