当然，获得标。有监督也使用了比无监督更简单的算法，并且在测试有监督算法时结果更准确，为什么呢？因为它使用潜在误差最小的模型，换句话说，无监督算法不太准确。 对监督数据进行分组称为分类，其中分类本身是将一组数据分类的过程。
可以对结构化或非结构化数据执
行的类。分类过程本身首先预测数据点的类别，然后这些类别通常称为标签、目标、类别。 监督算 英国电话号码数据 法本身的缺点是产生过多的决策边界，但是如果我们没有适当或精确的样本进入数据类，就会发生这种情况，它还需要每个类中更多的样本进行分类阶段，并且为此需要更多的成本和时间计算过程。
监督学习的描述示例： 解释是，如果您有一些已标记为某个类别的水果，并且您购买了一些新水果，那么您必须识别该类型水果的内容并将它们放入该类别中。
需支持该方法实现的算监督学习算法是
决策树 朴素贝叶斯分类器 人工神经网络 最近 – 邻居分类器 支持向量机 理解无监督 数据挖掘中的无监督是一种具有输入变量 (X) 但没有适当的输出变量的算法。
无监督本身的目的是对数据结构进行建模，以便我们可以进一步研究数据。使用无监督人工智能算法 散装铅 的目的是识别一组数据中通常未分类或换句话说未标记的模式。 数据分组也是基于相似性和差异性，尽管没有具体的分类指南。与监督学习中使用算法相比，算法本身的作用是更容易处理更复杂的数据。无监督学习和监督学习本身的区别在于实现、功能和算法方面。
