何时应该使用监督学习或无监督学习？

[metoc15411]

是否应该使用监督学习还是无监督学习取决于您的目标以及您拥有的数据结构和数量。在做出决定之前，请你的数据科学家评估以下内容：

输入数据是未标记的数据集还是标记的数据集？如果没有标签，您的团队可以支持额外的标签吗？
你想达到什么目标？您是否正在处理反复出现的、定义明确的问题，或者算法是否需要预测新问题？
是否有算法支持你的数据量和结构？它们是否具有您需要的相同维度（特征或属性的数量）？
何时使用监督机器学习
根据Gartner的数据，监督学习是商业场景中最受欢迎和最常用的机器学习类型。这可能是因为虽然大数据分类对于监督学习来说是一个真正的挑战，但结果非常准确和值得信赖（完整源代码可供客户使用 ）。

以下是一些如何使用监督学习的示例。其中一些是特定于 瓜地马拉电话号码数据库 行业的，而其他一些则适用于任何组织：

识别疾病风险因素并制定预防措施
确定电子邮件是否为垃圾邮件
预测房价
预测客户流失
降水和天气预报
了解贷款申请人属于低风险组还是高风险组
预测汽车发动机机械部件的故障
预测社交媒体评级和绩效指标
伍德与我们分享了一个例子，说明他如何利用监督学习来构建一个对收到的客户电子邮件进行分类的系统。使用CRM 系统， 电子邮件被分成代表常见请求的组（例如客户地址变更、投诉）。然后，伍德使用这些类别来训练模型，以便当模型收到新的电子邮件时，它知道将该电子邮件归入哪个类别。他说：

“在这种情况下，CRM 系统的存在使得监督学习成为可能，该系统提供了一组用于训练模型的‘标签’。没有他们，就只可能实现无教师学习。”