3-6 阿伯日後談

博覽會後，太陽漸漸下山了，看著人漸漸散，阿伯也準備收拾攤子回家了，遠處看見飛哥跟小博走來，小博手上拿著一份剛料理好的炒麵，遞給阿伯說:「辛苦啦!」。

飛哥找了個位子坐了下來，跟收拾得差不多的阿伯聊了起來，「之後有打算怎麼發展嗎?阿伯。」飛哥詢問道。

「且戰且走吧，況且，這個社會不太需要老人了，我回去工作豈不是多了搶年輕人工作的罪名。」阿伯看著遠方的斜陽說著。

看著旁邊津津有味吃著炒麵的小博，阿伯說道:「年輕人未來無限可能啊!阿伯再教你一點東西吧!下午跟你說的 k近鄰分類演算法 屬於 監督式學習(Supervised Learning) ，在這之外，還有 非監督式學習(Unsupervised Learning) 呢!」

「甚麼是監督式學習?要...督誰啊?額...我是說監督。」小博嚼著麵沒把話說清楚。

「 監督式學習你可以想像就是在既有資料已經含有被標記(label)的類別或組別，可以根據這個類別方便建造模型或建立準則 。像是我知道這群人誰有病誰沒病與他們的生活習慣、基因等等資料，誰有發病這點就是一個可被標記的類別。 缺點是有時候資料可能會被標記錯誤，而影響建模的穩定性 ，你想想看是不是新聞偶爾會出現沒並被說有病的狀況發生呢!常見的方法有k近鄰分類演算法、決策樹、一般回歸、羅吉式回歸、支持向量機器(SVM)。」阿伯細心地說著。

「好像是耶，那非監督式呢?」小博繼續問道。

「相反的， 非監督式學習就是資料沒有任何的標記 ，在沒有任何準則的情況下從零開始慢慢學習。這種學習方式會更傾向一種客觀直覺的判斷準則，在沒有一個判斷基準前提下嘗試去找出資料的相異性。 缺點是分析跑完後，結果一定有，你不一定解釋的出來為何機器學習要這樣子分類。 常見的方法有階層式集群分析(Hierarchical clustering)、k-平均分群法(k-means clustering)、自映射網路(Self-organizing map)」阿伯繼續說道。

小博想了下突然眼睛一亮說:「喔喔!所以半監督式學習就是把主觀跟客觀兩邊的資訊一起結合，既有標記過的資訊，也有資料原始樣貌呈現的訊息，這樣就不會對其中一邊的資訊過度相信了，對吧?」

阿伯開心的笑著:「呵呵，沒錯，你頭腦真的不錯，半監督式學習通常是把監督式與非監督式的資訊以一定比例加起來，我之前常看到的就是兩個矩陣(監督式一個、非監督式一個)以不同比例相加，通常分類效果都有一定的提升呢!不過可能還是有其他的結合方式，之後就交由你去研討囉!」

「原來是這樣，我還在想這兩者要怎麼結合呢!阿伯真厲害!」小博開心的把剩下的餐點一掃而空。

「是啊!真厲害呢。」阿伯心想，望著遠方的餘暉會心一笑。

這笑容，是飛哥心中見過最美，也是最祥和的笑容。

資料參考:
https://oosga.com/thinking/difference-between-supervised-learning-and-unsupervised-learning/
https://www.ecloudvalley.com/zh-hant/machine-learning/