6-5 有监督学习与无监督学习
📌 一、 课程导入（5 分钟）
情景模拟：新来的实习生 vs 老员工
场景A（有老师带）： 公司来了一个实习生小张。主管给他 1000 条历史销售数据，每条都标明了“最终是否成交”（成交=1，未成交=0），并且附带了“客户年龄、收入、访问时长”等细节。 主管说：“小张，你根据这些历史规律，预测一下今天这 10 个新客户哪些会成交？” 👉 这就是有监督学习：有历史答案（标签），让机器照着规律预测未来。
场景B（自己摸索）： 公司又来了一个实习生小李。主管给他 1000 条客户数据，但没有任何标记（不知道谁成交了）。 主管说：“小李，你把这些客户分分类，看看有没有什么相似的群体，比如‘高净值客户群’、‘价格敏感型客户群’？” 👉 这就是无监督学习：没有标准答案，让机器自己去发现数据里的“隐藏结构”。
引出核心结论： 机器学习的算法千千万，但站队只有两个阵营——有监督和无监督。区别就在于：训练数据有没有“标准答案”（标签 Y）。
- 👨🏫 教师活动：用 PPT 展示两个实习生的场景图。提问：“如果你是小张，你的任务是什么？如果你是小李，你的任务又是什么？”
- 🧑🎓 学生活动：学生快速回答“小张是预测”、“小李是分组”。老师顺势板书两个阵营的名字，并强调“看有没有 Y”这个黄金判断标准。
用“实习生带教”的场景，将抽象的“标签”概念具象化为“主管给的参考答案”。职高学生对实习场景有亲切感，能瞬间建立“有答案 vs 没答案”的直觉。
📖 二、 解决问题过程（一）：有监督学习——预测的艺术
1. 定义（一句话概括）：
有监督学习 = 给定输入 X 和对应的正确答案 Y，让机器学会从 X → Y 的映射关系，从而对新的 X 预测 Y。
2. 两大分支（核心考点）
| 分支 | 任务 | Y 的类型 | 生活案例 | 本课程对应算法 |
|---|---|---|---|---|
| 回归 | 预测连续数值 | 整数或小数（任意大小） | 预测房价 150万、预测温度 26.5℃ | 线性回归、岭回归、Lasso |
| 分类 | 预测离散类别 | 有限的几个选项（0/1/2） | 判断邮件垃圾/正常、识别猫/狗 | 逻辑回归、KNN、决策树、SVM、朴素贝叶斯 |
3. 回归 vs 分类 核心辨析（口诀）
“回归算数，分类算类”
- 回归：问你“多少钱？”、“多少度？”——答案是数字。
- 分类：问你“是不是？”、“是哪一类？”——答案是类别标签。
4. 课堂互动判断（教师口头提问）
| 场景 | 是有监督吗？ | 是回归还是分类？ |
|---|---|---|
| 根据学历和工作年限预测月薪 | ✅ 有监督（有历史月薪） | 回归（月薪是个数值） |
| 根据 CT 影像判断是否患病 | ✅ 有监督（有历史诊断结果） | 分类（患病/未患病） |
| 根据历史交易记录，预测明天股票收盘价 | ✅ 有监督 | 回归（收盘价是数字） |
- 👨🏫 教师活动：
- 在黑板上画出一个坐标轴，X轴是“面积”，Y轴是“房价”，画出散点图和拟合直线——直观展示回归就是“找一条线去贴近这些点”。
- 展示一张猫和狗的图片，说明分类就是“画一条界线把两类分开”。
- 🧑🎓 学生活动：
- 学生跟随老师的“课堂互动判断”快速举手回答（回归举左手，分类举右手），形成全员参与的快速反应游戏。
- 学生翻开课程大纲，将 8-1 到 14-1 的所有算法按“回归/分类”归类。
用“坐标轴画线”和“猫狗分界线”的直观图形，把回归和分类的本质差异刻进脑子里。通过“举手游戏”实现全员参与，避免前排互动后排睡觉的课堂现象。
💻 三、 解决问题过程（二）：无监督学习——发现的乐趣
1. 定义（一句话概括）：
无监督学习 = 只有输入 X，没有标准答案 Y。机器需要自己从数据中发现隐藏的结构、模式或规律。
2. 两大分支
| 分支 | 任务 | 目标 | 生活案例 | 本课程对应算法 |
|---|---|---|---|---|
| 聚类 | 自动分组 | 把相似的数据点聚成一堆 | 今日头条给读者自动分群（体育迷、科技迷） | K-Means |
| 降维 | 数据压缩 | 用更少的特征保留尽可能多的信息 | 把 100 个体检指标压缩成 5 个综合健康指数 | PCA / SVD |
3. 无监督学习的“神奇”与“局限”
- 神奇：它能在没有参考答案的情况下，发现人类未必能一眼看出的潜在模式（比如电商发现“凌晨 1 点下单”的群体具有高退货率）。
- 局限：因为没有正确答案，评估模型好坏比较主观（不像有监督可以拿预测值和真实值算误差）。分出来的组到底有没有用，需要业务专家来判断。
4. 有监督 vs 无监督 核心对比表（课堂必抄）
| 对比维度 | 有监督学习 | 无监督学习 |
|---|---|---|
| 训练数据 | 有 X 和 Y（有答案） | 只有 X（没答案） |
| 核心任务 | 预测（Prediction） | 发现（Discovery） |
| 典型算法 | 线性回归、逻辑回归、决策树、SVM | K-Means、PCA |
| 评估方式 | 用测试集的误差（MSE、准确率）量化评估 | 主观评估、业务验证（看分组是否有意义） |
| 类比 | 考试有标准答案，老师批改 | 考古挖掘，挖出什么算什么，自己分析价值 |
- 👨🏫 教师活动：
- 画出一堆没有标签的点，用圆圈画出 K-Means 聚出来的三个簇。
- 提问：“如果我们有历史成交标签，这就是有监督；如果没有任何标签，就是无监督。哪个更难？”（学生答：无监督，因为不知道对不对）。
- 🧑🎓 学生活动：
- 学生两人一组，讨论：“超市的会员卡数据（消费记录、到店频率）没有标注用户类型，如果想做精准营销，应该用有监督还是无监督？”（答案：先用无监督聚类分群，再看各群特点）。
- 学生在表格中填写自己学过的算法属于哪一类（为后续章节做铺垫）。
用“考古挖掘”类比无监督，让学生理解“没有标准答案不等于没有价值”。同时明确指出两种学习的评估差异，为后续第8章（回归评估）和第9章（分类评估）以及第15章（聚类评估）做铺垫。
✍️ 四、 解决问题过程（三）：课堂实战——算法“分阵营”大挑战
📝 五、 课堂小结（5 分钟）
flowchart TB
root["🤖 机器学习算法总览"]
root --> C1["📚 有监督学习（有标签 Y）"]
root --> C2["🔍 无监督学习（无标签 Y）"]
C1 --> C1a["📈 回归（预测数值）"]
C1 --> C1b["🏷️ 分类（预测类别）"]
C1a --> A1["线性回归<br>岭回归/Lasso"]
C1b --> A2["逻辑回归<br>决策树/SVM<br>KNN/朴素贝叶斯"]
C2 --> C2a["📦 聚类（自动分组）"]
C2 --> C2b["📉 降维（数据压缩）"]
C2a --> B1["K-Means"]
C2b --> B2["PCA / SVD"]
style root fill:#4b6cb7,stroke:#253b6e,color:#fff,stroke-width:2px
style C1 fill:#e3f2fd,stroke:#2196f3
style C2 fill:#fff3e0,stroke:#ff9800
style C1a fill:#bbdefb,stroke:#1976d2
style C1b fill:#bbdefb,stroke:#1976d2
style C2a fill:#ffe0b2,stroke:#f57c00
style C2b fill:#ffe0b2,stroke:#f57c00
✏️ 随堂检测与互动练习
📮 六、 课后作业与拓展
📋 七、 板书设计
本课用到的单词
| 单词 | 发音 | 专业英语解释（中文） |
|---|---|---|
| Supervised Learning | /ˌsuːpərˈvaɪzd ˈlɜːrnɪŋ/ | 有监督学习。使用带标签的数据训练模型，以预测新数据标签的机器学习范式。 |
| Unsupervised Learning | /ʌnˈsɜːrpərvaɪzd ˈlɜːrnɪŋ/ | 无监督学习。使用无标签数据，让模型自行发现数据中隐藏的结构或模式的机器学习范式。 |
| Regression | /rɪˈɡreʃən/ | 回归。预测连续数值输出的任务。 |
| Classification | /ˌklæsɪfɪˈkeɪʃən/ | 分类。预测离散类别标签的任务。 |
| Clustering | /ˈklʌstərɪŋ/ | 聚类。将数据点分组，使组内相似度高、组间相似度低的无监督任务。 |
| Label | /ˈleɪbəl/ | 标签。有监督学习中的“正确答案”Y，如“猫/狗”或“房价数值”。 |
| Feature | /ˈfiːtʃər/ | 特征。输入数据 X 中的可测量属性，如“年龄”、“收入”。 |
🚀 下节课预告（6.4 模型评估）
我们已经站在了算法的起跑线上！下一节课（6.4）我们将学习一个极其重要的概念——模型评估。就像考试完了要批改试卷一样，模型训练完了怎么知道它学得好不好？我们将学习 训练集/测试集划分、交叉验证 等关键技能，为第8章开始的“算法实战”打好地基！