無監督標簽

A. 什麼是有監督的學習，什麼是無監督的學習，什

這個問題可以回答得很簡單：是否有監督（supervised），就看輸入數據是否有標簽（label）。輸入數據有標簽，則為有監督學習，沒標簽則為無監督學習。

但根據知乎慣例，答案還是要繼續擴展的。

首先看什麼是學習（learning）？一個成語就可概括：舉一反三。此處以高考為例，高考的題目在上考場前我們未必做過，但在高中三年我們做過很多很多題目，懂解題方法，因此考場上面對陌生問題也可以算出答案。機器學習的思路也類似：我們能不能利用一些訓練數據（已經做過的題），使機器能夠利用它們（解題方法）分析未知數據（高考的題目）？

最簡單也最普遍的一類機器學習演算法就是分類（classification）。對於分類，輸入的訓練數據有特徵（feature），有標簽（label）。所謂的學習，其本質就是找到特徵和標簽間的關系（mapping）。這樣當有特徵而無標簽的未知數據輸入時，我們就可以通過已有的關系得到未知數據標簽。

在上述的分類過程中，如果所有訓練數據都有標簽，則為有監督學習（supervised learning）。如果數據沒有標簽，顯然就是無監督學習（unsupervised learning）了，也即聚類（clustering）。

B. 機器學習的監督學習和無監督學習的區別

利 用一 組已 知 類 別的 樣本 調 整 分類 器 的 參數， 使 其 達到所 要求性 能 的過程 ， 也稱為監 督 訓 練或 有 教師學習 。所給 的 學習樣本不帶有類 別 信 息， 就 是無監督學 習。 你 可以 在 米筐 社 區更 加 深 入討 論 這個 問 題 。

C. 如何將監督學習演算法應用到無監督學習上

這時有人可能會想，難道有監督學習和無監督學習就是非黑即白的關系嗎？有沒有灰呢？Good idea。灰是存在的。二者的中間帶就是半監督學習（semi-supervised learning）。對於半監督學習，其訓練數據的一部分是有標簽的，另一部分沒有標簽，而沒標簽數據的數量常常極大於有標簽數據數量（這也是符合現實情況的）。隱藏在半監督學習下的基本規律在於：數據的分布必然不是完全隨機的，通過一些有標簽數據的局部特徵，以及更多沒標簽數據的整體分布，就可以得到可以接受甚至是非常好的分類結果

D. 有監督學習和無監督學習的區別

機器學習任務根據訓練樣本是否有label，可以分為監督學習和無監督學習
監督學習的訓練樣本有label，主要是學習得到一個特徵空間到label的映射，如分類、回歸等
無監督學習的訓練樣本沒有label，主要是發現樣本的內部結構，如聚類、降維、可視化等

E. 什麼是無監督學習

首先看什麼是學習（learning）？一個成語就可概括：舉一反三。此處以高考為例，高考的題目在上考場前我們未必做過，但在高中三年我們做過很多很多題目，懂解題方法，因此考場上面對陌生問題也可以算出答案。機器學習的思路也類似：我們能不能利用一些訓練數據（已經做過的題），使機器能夠利用它們（解題方法）分析未知數據（高考的題目）？
最簡單也最普遍的一類機器學習演算法就是分類（classification）。對於分類，輸入的訓練數據有特徵（feature），有標簽（label）。所謂的學習，其本質就是找到特徵和標簽間的關系（mapping）。這樣當有特徵而無標簽的未知數據輸入時，我們就可以通過已有的關系得到未知數據標簽。
在上述的分類過程中，如果所有訓練數據都有標簽，則為有監督學習（supervised learning）。如果數據沒有標簽，顯然就是無監督學習（unsupervised learning）了，也即聚類（clustering）。

F. 銷售無標簽產品被處罰後能否向生產者追償

可以。銷售方在賠償後，覺得並不是自己的原因，此時如果是生產方的責任的話，可以迴向其追償。產品缺陷答由生產者造成的，銷售者賠償後，有權向生產者追償；因銷售者的過錯使產品存在缺陷的，生產者賠償後，有權向銷售者追償。
售出的產品有下列情形之一的，銷售者應當負責修理、更換、退貨；給購買產品的消費者造成損失的，銷售者應當賠償損失：
1、不具備產品應當具備的使用性能而事先未作說明的；
2、不符合在產品或者其包裝上註明採用的產品標準的；
3、不符合以產品說明；實物樣品等方式表明的質量狀況的。
銷售者依照前款規定負責修理、更換、退貨、賠償損失後，屬於生產者的責任或者屬於向銷售者提供產品的其他銷售者(以下簡稱供貨者)的責任的，銷售者有權向生產者、供貨者追償。銷售者未按照第一款規定給予修理、更換、退貨或者賠償損失的，由產品質量監督部門或者工商行政管理部門責令改正。生產者之間，銷售者之間，生產者與銷售者之間訂立的買賣合同、承攬合同有不同約定的，合同當事人按照合同約定執行。

G. 機器學習 一 監督學習和無監督學習的區別

1、機器學習按照方法來分類，可以分成四類，分別是：監督學習、無監督學習、半監督學習和強化學習。
2、監督學習針對有標簽數據集，它通過學習出一個模型（其實就是一個函數）來擬合數據，按照模型（函數）的輸出結果是否離散又可以分為兩類，分別是：（1）輸出結果為離散值，則為分類問題（常見的分類演算法：KNN、貝葉斯分類器、決策樹、SVM、神經網路、GBDT、隨機森林等）；（2）輸出結果為連續值，則為回歸問題（有線性回歸和邏輯回歸兩種）。
3、無監督學習針對沒有標簽的數據集，它將樣本按照距離劃分成類簇，使得類內相似性最大，類間相似性最小。通過觀察聚類結果，我們可以得到數據集的分布情況，為進一步分析提供支撐。常見的聚類演算法有K-means、高斯混合模型和LDA。

H. 液化氣鋼瓶沒貼警示標簽怎麼處罰，按哪個條款處罰

危險化學品安全管理條例 第十五條危險化學品生產企業應當提供與其生產的危險化學品相符的化學品安全技術說明書，並在危險化學品包裝（包括外包裝件）上粘貼或者拴掛與包裝內危險化學品相符的化學品安全標簽。化學品安全技術說明書和化學品安全標簽所載明的內容應當符合國家標準的要求。
危險化學品生產企業發現其生產的危險化學品有新的危險特性的，應當立即公告，並及時修訂其化學品安全技術說明書和化學品安全標簽。
第七十八條有下列情形之一的，由安全生產監督管理部門責令改正，可以處5萬元以下的罰款；拒不改正的，處5萬元以上10萬元以下的罰款；情節嚴重的，責令停產停業整頓：
（一）生產、儲存危險化學品的單位未對其鋪設的危險化學品管道設置明顯的標志，或者未對危險化學品管道定期檢查、檢測的；
（二）進行可能危及危險化學品管道安全的施工作業，施工單位未按照規定書面通知管道所屬單位，或者未與管道所屬單位共同制定應急預案、採取相應的安全防護措施，或者管道所屬單位未指派專門人員到現場進行管道安全保護指導的；
（三）危險化學品生產企業未提供化學品安全技術說明書，或者未在包裝（包括外包裝件）上粘貼、拴掛化學品安全標簽的；
（四）危險化學品生產企業提供的化學品安全技術說明書與其生產的危險化學品不相符，或者在包裝（包括外包裝件）粘貼、拴掛的化學品安全標簽與包裝內危險化學品不相符，或者化學品安全技術說明書、化學品安全標簽所載明的內容不符合國家標准要求的；
（五）危險化學品生產企業發現其生產的危險化學品有新的危險特性不立即公告，或者不及時修訂其化學品安全技術說明書和化學品安全標簽的；
（六）危險化學品經營企業經營沒有化學品安全技術說明書和化學品安全標簽的危險化學品的；
（七）危險化學品包裝物、容器的材質以及包裝的型式、規格、方法和單件質量（重量）與所包裝的危險化學品的性質和用途不相適應的；
（八）生產、儲存危險化學品的單位未在作業場所和安全設施、設備上設置明顯的安全警示標志，或者未在作業場所設置通信、報警裝置的；
（九）危險化學品專用倉庫未設專人負責管理，或者對儲存的劇毒化學品以及儲存數量構成重大危險源的其他危險化學品未實行雙人收發、雙人保管制度的；
（十）儲存危險化學品的單位未建立危險化學品出入庫核查、登記制度的；
（十一）危險化學品專用倉庫未設置明顯標志的；
（十二）危險化學品生產企業、進口企業不辦理危險化學品登記，或者發現其生產、進口的危險化學品有新的危險特性不辦理危險化學品登記內容變更手續的。
從事危險化學品倉儲經營的港口經營人有前款規定情形的，由港口行政管理部門依照前款規定予以處罰。儲存劇毒化學品、易制爆危險化學品的專用倉庫未按照國家有關規定設置相應的技術防範設施的，由公安機關依照前款規定予以處罰。
生產、儲存劇毒化學品、易制爆危險化學品的單位未設置治安保衛機構、配備專職治安保衛人員的，依照《企業事業單位內部治安保衛條例》的規定處罰。

I. 監督學習與無監督學習有什麼不同

監督學習是從標記的訓練數據來推斷一個功能的機器學習任務。在監督學習中，每個實例都是由一個輸入對象(通常為矢量)和一個期望的輸出值(也稱為監督信號)組成。監督學習演算法是分析該訓練數據，並產生一個推斷的功能，其可以用於映射出新的實例。
無監督學習是機器學習的一個分支，它從未經標記或分類的測試數據中學習。它本質上是一個統計手段，在沒有標簽的數據里可以發現潛在的一些結構。
兩者的主要區別是：
1.監督學習是一種目的明確的訓練方式，你知道得到的是什麼;而無監督學習則是沒有明確目的的訓練方式，你無法提前知道結果是什麼。
2.監督學習需要給數據打標簽;而無監督學習不需要給數據打標簽。
3.監督學習由於目標明確，所以可以衡量效果;而無監督學習幾乎無法量化效果如何。

J. 非監督學習有哪些

無監督學習（Unsupervised Learning）是和監督學習相對的另一種主流機器學習的方法，我們知道監督學習解決的是「分類」和「回歸」問題，而無監督學習解決的主要是「聚類（Clustering）」問題。

從無監督學習說起：演算法模型有哪幾種？

監督學習通過對數據進行標注，來讓機器學習到，比如：小曹多重多高就是胖紙，或者用身高體重等數據，來計算得到小曹的BMI系數；而無監督學習則沒有任何的數據標注（超過多高算高，超過多重算胖），只有數據本身。

比如：有一大群人，知道他們的身高體重，但是我們不告訴機器「胖」和「瘦」的評判標准，聚類就是讓機器根據數據間的相似度，把這些人分成幾個類別。

那它是怎麼實現的呢？怎麼才能判斷哪些數據屬於一類呢？

這是幾種常見的主要用於無監督學習的演算法。

K均值（K-Means）演算法；
自編碼器（Auto-Encoder）；
主成分分析（Principal Component Analysis）。
K均值演算法
K均值演算法有這么幾步：

從無監督學習說起：演算法模型有哪幾種？

隨機的選取K個中心點，代表K個類別；
計算N個樣本點和K個中心點之間的歐氏距離；
將每個樣本點劃分到最近的（歐氏距離最小的）中心點類別中——迭代1；
計算每個類別中樣本點的均值，得到K個均值，將K個均值作為新的中心點——迭代2；
重復234；
得到收斂後的K個中心點（中心點不再變化）——迭代4。
上面提到的歐氏距離（Euclidean Distance），又叫歐幾里得距離，表示歐幾里得空間中兩點間的距離。我們初中學過的坐標系，就是二維的歐幾里得空間，歐氏距離就是兩點間的距離，三維同理，多維空間的計算方式和三維二維相同。