监督与无监督学习（Supervised/Unsupervised Learning）

监督学习（Supervised Learning）与无监督学习（Unsupervised Learning）是机器学习最基本的两种训练范式，差别在于训练数据有没有标签，也就是有没有标准答案。理解这条分界线，是判断一个任务该怎么建模、需要多少标注成本、结果又该如何评估的前提。

监督学习：用带标签的数据学映射

训练数据是输入与标签的配对，例如邮件文本配垃圾或正常、房屋特征配成交价格。模型通过最小化预测值与标签之间的误差，学到从输入到输出的映射，再用这套映射处理没见过的新样本。典型任务分两类：分类（识别猫狗、判断情感倾向）与回归（预测房价、销量）。

它的优点是目标明确、效果稳定、便于量化评估，因此工业界落地最多；代价是标注成本高，而且模型只擅长训练分布内的模式，遇到分布外样本容易失效。

无监督学习：从没有答案的数据里找结构

这类方法只给输入、不给标签，让模型自己发现数据中的结构或规律。典型任务包括聚类（把客户自动分成若干群体）、降维（把高维特征压到可可视化的低维空间）与异常检测（找出与大多数样本明显不同的记录）。因为没有标准答案，评估往往依赖内部指标与人工审查，最终仍要落到业务效果上。

其它范式与前两者的结合

• 自监督学习：标签从数据本身构造，例如遮住一部分词让模型预测、或直接预测下一个词，本质是把无监督思路当成监督任务来训练。
• 强化学习：靠奖励信号学习策略，适合序列决策问题，常与前两者组合使用。
• 半监督学习：少量标注数据加上大量无标注数据，用无标注数据辅助提升泛化能力。
• 预训练加微调：先用自监督在大规模语料上打底，再用监督数据在具体任务上精调，这是当前大模型的标准配方。

一句话类比

监督学习像有答案的练习册，做完能立刻对答案；无监督学习像自己总结规律的探索，没有标准答案，却可能发现意想不到的分组。两者结合，才构成现代 AI 的训练体系。

实践要点

• 先看有没有标签：有高质量标签优先做监督，没有就考虑聚类、降维，或先用自监督预训练再微调。
• 划分验证集：监督任务必须留出与训练集不重叠的验证数据，避免用训练成绩自我安慰。
• 标注质量优先于数量：标签标准不一致会直接给模型注入噪声，先统一规范并抽检。
• 用无监督做数据体检：聚类与异常检测常用来发现脏数据、重复样本与分布漂移。

常见误区

• 以为无监督没法评估：可用轮廓系数、重构误差等内部指标衡量，但最终仍以业务收益为准。
• 把聚类结果当真相：聚类只反映当前算法与参数下的相似性，换一种距离度量结论可能完全不同。
• 忽视标签泄漏：把结果性特征放进输入，会让离线指标虚高，上线后立刻崩掉。
• 认为监督一定更强：标注少而噪声大时，监督模型未必胜过无监督特征加一个简单分类器。