监督方法和无监督方法之间的机器学习 (ML) 有一个非常重要的区别：

• 监督学习包括用一些标记数据训练模型，以使最终模型能够预测一些新（未标记）数据的标签。这意味着任务是通过准确选择人们想要预测的内容来设计的。例如，预测文本作者的任务与预测文本主题完全不同，即使文本可能相同。
  • 注意：“标签”用于分类数据，在这种情况下，任务称为分类。相同的原理可以应用于数值，在这种情况下，这是一个回归任务。
• 无监督学习包括检测数据中的模式，除了数据本身之外没有其他信息。这意味着没有特定的“标签”可以预测。很多时候，无监督学习是某种形式的聚类，即通过相似性对实例进行分组。数据挖掘方法通常属于这一类。通常，无需使用无监督方法进行单独的训练和测试步骤。但是，可能需要调整一些参数，或者有时需要使用一些带注释的数据来评估模型，因此这需要再次分离训练和测试。

数据挖掘训练的目的是寻找模式。

• 如果您想使用 kmean 进行分割，训练意味着迭代地将数据分组到集群中，直到点不再更改集群。
• 如果您进行购物篮分析，则意味着查看项目集并查看它们是否超过您的阈值指标，如果没有则丢弃它们。
• 如果你训练一个自动编码器来表示潜在空间中的数据，这意味着使用梯度下降来设置权重，以便它们尽可能地压缩数据。
  
  在所有这些情况下，我们会说我们“训练模型”，因为它只是一个很好的思维框架，用于解决无监督和数据挖掘问题的迭代方法，即使可能没有测试或验证集来确保模型运行良好。