監督式學習與非監督式學習

在實作機器學習模型上，理解我們所面的問題為何種形式，並且將之轉換為可以建模的機器學習問題可謂至關重要。一般來說，我們所面對的機器學習問題可分為兩種，一種為監督式學習(Supervised Learning)，另一則為非監督式學習(Unsupervised Learning)，在這兩種問題上，最顯著的差異就在於我們手上有沒有要進行預測的目標變數(Target)，若我們要解決的問題是預測一個目標值，並且在要進行建模的資料上也有該對應目標的欄位，那麼我們就是在處理一個監督式學習的問題，反之則為非監督式學習。

監督式學習在細分上又可以分為回歸(Regression) 與 分類(Classification)，回歸問題要預測的是 連續型(Continuous) 的數值，比如說保險客戶的續保金額、房屋售價與汽車維修所需時間等，而分類問題要預測的則是 類別型(Categorical) 的目標，比如說電信客戶是否會取消合約、性別與機器的故障與否。針對監督式學習，我們可以使用常聽到的機器學習演算法如Linear Regression、Random Forest和Neural Network等方式來解決。監督式學習也是此課程主要的重點，因此後續的內容會著重在此種問題上。

非監督式雖無要預測的目標，其主要目的是找出數據中潛藏的模式，比如說以K-means演算法(註1)，對資料進行分群，或者以主成分分析(Principal Component Analysis, PCA)(註2)，從龐雜資料中提取重要的資訊。

下方提供一個針對監督式學習的簡單練習(見圖1)，大家可以想一想答案是什麼喔!(答案提供於文章最下方)

圖1
Source: Coursera - Launching into Machine Learning

註1: https://zh.wikipedia.org/wiki/K-Means%E7%AE%97%E6%B3%95
註2: https://zh.wikipedia.org/wiki/%E4%B8%BB%E6%88%90%E5%88%86%E5%88%86%E6%9E%90

練習問題答案: C