<div class="tip inlineBlock share"> 转载自: https://worktile.com/kb/p/62591 </div> ## 一、定义不同 监督学习：在监督学习中，模型通过已知输入-输出对进行训练，以使其能够预测新的未知数据的输出。 无监督学习：无监督学习在没有标签的数据集上训练模型，其目的是寻找数据中的模式和结构。 自监督学习：自监督学习是一种无监督学习的特殊形式，它在没有人工标签的情况下，**通过从输入数据本身派生标签进行学习**。 ## 二、学习方法不同 监督学习：监督学习的模型需要根据预先标记的数据进行训练，比如`分类问题`和回归问题。 无监督学习：无监督学习的模型在没有任何标记的数据上进行学习，比如`聚类`和降维问题。 自监督学习：自监督学习的模型通过从未标记的数据中提取有用信息进行学习，比如`预测下一个词`或`填充缺失的部分`(eg: bert 完形填空)。 ## 三、应用场景不同 监督学习：监督学习主要用于分类、回归和预测等问题。 无监督学习：无监督学习主要用于探索性数据分析，比如发现不同的群体或者发现异常数据。 自监督学习：自监督学习用于无监督环境下的特征学习，可以用于`生成模型`、降维、`预训练`等。 ## 四、数据要求不同 监督学习：需要有大量标记的数据进行训练。 无监督学习：无需标记的数据，只需要大量的未标记数据。 自监督学习：无需人工标记的数据，但需要**能够从数据本身派生标签的数据**(从数据本身构造label)。 --- ## **延伸阅读** **半监督学习的概念** 除了上述的三种学习方式，还存在一种被称为半监督学习的方式。半监督学习介于监督学习和无监督学习之间，**使用部分标记数据和大量未标记数据进行训练**。在许多实际情况中，获取未标记的数据相对容易和便宜，而获取标记数据则需要大量的人力和成本。在这种情况下，半监督学习就显得尤为重要。 **半监督学习主要利用未标记数据来提高学习模型的性能**，其基本假设是相似的数据应该具有相同的输出。这种学习方式被广泛应用于自然语言处理、图像识别等领域。在实际应用中，半监督学习与监督学习、无监督学习和自监督学习等其他学习方式的结合也是一种常见的策略，以实现更好的学习效果。