EP20 · AI 通识：有监督与无监督两种范式

一句话概要：有监督学习用带标签的数据训练模型、目标是预测输出，无监督学习用无标签数据、目标是发现数据的内在结构——表层区别是标签，本质区别是目标。 素材锚点：实操 5 ｜ 所属：第三季·通识与治理

一、知识框架

本集是第三季开篇，讲机器学习最根本的分岔口，为后续推荐系统、人脸识别等集打底。

1. 有监督学习：用带标签的数据训练模型，目标是预测输出（实操 5）。三个部件是带标签数据、训练逼近、预测输出；实例是垃圾邮件过滤（输入邮件特征，输出是否为垃圾邮件）。
2. 无监督学习：用无标签数据，目标是发现数据的内在结构（实操 5）。它不是低配版有监督，而是另一套世界观——不问新样本的答案，问数据本身怎么组织；实例是客户分群（按购买行为聚类，无预定义类别）。
3. 分水岭：表层区别是有没有标签，本质区别是目标。标签的成本结构（贵、慢、主观）决定了两者的根本权衡——有监督学得准但学得贵，无监督学得便宜但学得模糊。
4. 灰色地带：半监督学习（少量标签加大量无标签）与自监督学习（从数据自身构造标签，大模型预训练主路）；强化学习不属于这两类，它学的是决策。
5. 选型顺序：目标、标签、规模、标准答案——风控质检用有监督，用户画像用无监督，工具和任务错配是用筛子筛水。

二、题面锚点

实操 5：简述有监督学习与无监督学习的区别，并各举一个应用实例。

三、答案讲透

实操 5 参考答案：区别：有监督学习使用带标签的数据训练模型，目标是预测输出；无监督学习使用无标签数据，目标是发现数据内在结构。有监督实例：垃圾邮件过滤（输入邮件特征，输出是否为垃圾邮件）。无监督实例：客户分群（根据购买行为将客户聚类，无预定义类别）。

有监督学习拆成三个部件：带标签数据（每笔数据带标准答案，如邮件的垃圾或正常）、训练（模型反复看带答案的例题，调参数让预测逼近标准答案）、预测输出（新样本给出判断）。垃圾邮件过滤适合有监督的三个条件是答案明确（二元对立）、历史积累充足（邮件日志里躺着几亿封已判定邮件）、反馈闭环短（用户点一下标记，新标签数据就产生，模型可持续迭代）。

无监督学习要纠正一个误解——它不是没钱标注时的将就，而是另一套世界观：有监督问「这个新样本的答案是什么」，无监督问「这批数据本身是怎么组织的」，一个向外预测、一个向内观察，没有高下之分。客户分群的价值在差异化运营：母婴人群推奶粉、数码人群推新品预售、价格敏感人群发满减券，没有分群则所有人收到一样的推送，钱花不少、转化惨淡。无监督在这里是探照灯，不直接给答案，照亮结构让人自己决策。

两者的真正分水岭是目标而非标签：同一份用户购买行为数据，已标注流失与否就是有监督（预测下一个用户会不会流失），未标注就是无监督（看用户能分成哪几群）——数据一样，目标不同，范式不同。标签的成本结构（人工标注贵、慢、有主观性）决定了根本权衡：有监督学得准但学得贵，无监督学得便宜但学得模糊（无标准答案，效果缺客观标尺，靠业务经验事后验证）。

四、延伸思考

1. 自监督是绕开标注的暗线：从数据自身构造标签（挖词猜词），大语言模型预训练的主路。它名义上属无监督家族，实质是用无监督的数据喂出了有监督的预测能力——理解这一点，才能理解大模型为什么吃海量文本就能长本事。
2. 第三季后续集的范式归属：下一集推荐系统，协同过滤靠用户行为相似度、本质上更靠近无监督的结构发现，基于内容推荐靠特征匹配、更靠近有监督的预测；人脸识别的四步链路里，特征提取之后的匹配环节，也是有监督与检索技术的结合。两种范式是后面每一集的底座。
3. 标注质量是被低估的工程瓶颈：有监督的贵不只是钱，更是主观性——不同专家标同一批医学影像，结论可能不一致。EP14 评估体系讲的指标，EP15 讲的数据偏差，在这里都能落地，标注规范本身就是风控的一环。
4. 别把强化学习混进来：有监督学映射，无监督学结构，强化学习学决策。三者分工不同，选型时张冠李戴是最常见的错误（呼应 EP07 探索利用与 EP06 规划层）。

五、术语表