无监督标签

A. 什么是有监督的学习，什么是无监督的学习，什

这个问题可以回答得很简单：是否有监督（supervised），就看输入数据是否有标签（label）。输入数据有标签，则为有监督学习，没标签则为无监督学习。

但根据知乎惯例，答案还是要继续扩展的。

首先看什么是学习（learning）？一个成语就可概括：举一反三。此处以高考为例，高考的题目在上考场前我们未必做过，但在高中三年我们做过很多很多题目，懂解题方法，因此考场上面对陌生问题也可以算出答案。机器学习的思路也类似：我们能不能利用一些训练数据（已经做过的题），使机器能够利用它们（解题方法）分析未知数据（高考的题目）？

最简单也最普遍的一类机器学习算法就是分类（classification）。对于分类，输入的训练数据有特征（feature），有标签（label）。所谓的学习，其本质就是找到特征和标签间的关系（mapping）。这样当有特征而无标签的未知数据输入时，我们就可以通过已有的关系得到未知数据标签。

在上述的分类过程中，如果所有训练数据都有标签，则为有监督学习（supervised learning）。如果数据没有标签，显然就是无监督学习（unsupervised learning）了，也即聚类（clustering）。

B. 机器学习的监督学习和无监督学习的区别

利 用一 组已 知 类 别的 样本 调 整 分类 器 的 参数， 使 其 达到所 要求性 能 的过程 ， 也称为监 督 训 练或 有 教师学习 。所给 的 学习样本不带有类 别 信 息， 就 是无监督学 习。 你 可以 在 米筐 社 区更 加 深 入讨 论 这个 问 题 。

C. 如何将监督学习算法应用到无监督学习上

这时有人可能会想，难道有监督学习和无监督学习就是非黑即白的关系吗？有没有灰呢？Good idea。灰是存在的。二者的中间带就是半监督学习（semi-supervised learning）。对于半监督学习，其训练数据的一部分是有标签的，另一部分没有标签，而没标签数据的数量常常极大于有标签数据数量（这也是符合现实情况的）。隐藏在半监督学习下的基本规律在于：数据的分布必然不是完全随机的，通过一些有标签数据的局部特征，以及更多没标签数据的整体分布，就可以得到可以接受甚至是非常好的分类结果

D. 有监督学习和无监督学习的区别

机器学习任务根据训练样本是否有label，可以分为监督学习和无监督学习
监督学习的训练样本有label，主要是学习得到一个特征空间到label的映射，如分类、回归等
无监督学习的训练样本没有label，主要是发现样本的内部结构，如聚类、降维、可视化等

E. 什么是无监督学习

首先看什么是学习（learning）？一个成语就可概括：举一反三。此处以高考为例，高考的题目在上考场前我们未必做过，但在高中三年我们做过很多很多题目，懂解题方法，因此考场上面对陌生问题也可以算出答案。机器学习的思路也类似：我们能不能利用一些训练数据（已经做过的题），使机器能够利用它们（解题方法）分析未知数据（高考的题目）？
最简单也最普遍的一类机器学习算法就是分类（classification）。对于分类，输入的训练数据有特征（feature），有标签（label）。所谓的学习，其本质就是找到特征和标签间的关系（mapping）。这样当有特征而无标签的未知数据输入时，我们就可以通过已有的关系得到未知数据标签。
在上述的分类过程中，如果所有训练数据都有标签，则为有监督学习（supervised learning）。如果数据没有标签，显然就是无监督学习（unsupervised learning）了，也即聚类（clustering）。

F. 销售无标签产品被处罚后能否向生产者追偿

可以。销售方在赔偿后，觉得并不是自己的原因，此时如果是生产方的责任的话，可以回向其追偿。产品缺陷答由生产者造成的，销售者赔偿后，有权向生产者追偿；因销售者的过错使产品存在缺陷的，生产者赔偿后，有权向销售者追偿。
售出的产品有下列情形之一的，销售者应当负责修理、更换、退货；给购买产品的消费者造成损失的，销售者应当赔偿损失：
1、不具备产品应当具备的使用性能而事先未作说明的；
2、不符合在产品或者其包装上注明采用的产品标准的；
3、不符合以产品说明；实物样品等方式表明的质量状况的。
销售者依照前款规定负责修理、更换、退货、赔偿损失后，属于生产者的责任或者属于向销售者提供产品的其他销售者(以下简称供货者)的责任的，销售者有权向生产者、供货者追偿。销售者未按照第一款规定给予修理、更换、退货或者赔偿损失的，由产品质量监督部门或者工商行政管理部门责令改正。生产者之间，销售者之间，生产者与销售者之间订立的买卖合同、承揽合同有不同约定的，合同当事人按照合同约定执行。

G. 机器学习 一 监督学习和无监督学习的区别

1、机器学习按照方法来分类，可以分成四类，分别是：监督学习、无监督学习、半监督学习和强化学习。
2、监督学习针对有标签数据集，它通过学习出一个模型（其实就是一个函数）来拟合数据，按照模型（函数）的输出结果是否离散又可以分为两类，分别是：（1）输出结果为离散值，则为分类问题（常见的分类算法：KNN、贝叶斯分类器、决策树、SVM、神经网络、GBDT、随机森林等）；（2）输出结果为连续值，则为回归问题（有线性回归和逻辑回归两种）。
3、无监督学习针对没有标签的数据集，它将样本按照距离划分成类簇，使得类内相似性最大，类间相似性最小。通过观察聚类结果，我们可以得到数据集的分布情况，为进一步分析提供支撑。常见的聚类算法有K-means、高斯混合模型和LDA。

H. 液化气钢瓶没贴警示标签怎么处罚，按哪个条款处罚

危险化学品安全管理条例 第十五条危险化学品生产企业应当提供与其生产的危险化学品相符的化学品安全技术说明书，并在危险化学品包装（包括外包装件）上粘贴或者拴挂与包装内危险化学品相符的化学品安全标签。化学品安全技术说明书和化学品安全标签所载明的内容应当符合国家标准的要求。
危险化学品生产企业发现其生产的危险化学品有新的危险特性的，应当立即公告，并及时修订其化学品安全技术说明书和化学品安全标签。
第七十八条有下列情形之一的，由安全生产监督管理部门责令改正，可以处5万元以下的罚款；拒不改正的，处5万元以上10万元以下的罚款；情节严重的，责令停产停业整顿：
（一）生产、储存危险化学品的单位未对其铺设的危险化学品管道设置明显的标志，或者未对危险化学品管道定期检查、检测的；
（二）进行可能危及危险化学品管道安全的施工作业，施工单位未按照规定书面通知管道所属单位，或者未与管道所属单位共同制定应急预案、采取相应的安全防护措施，或者管道所属单位未指派专门人员到现场进行管道安全保护指导的；
（三）危险化学品生产企业未提供化学品安全技术说明书，或者未在包装（包括外包装件）上粘贴、拴挂化学品安全标签的；
（四）危险化学品生产企业提供的化学品安全技术说明书与其生产的危险化学品不相符，或者在包装（包括外包装件）粘贴、拴挂的化学品安全标签与包装内危险化学品不相符，或者化学品安全技术说明书、化学品安全标签所载明的内容不符合国家标准要求的；
（五）危险化学品生产企业发现其生产的危险化学品有新的危险特性不立即公告，或者不及时修订其化学品安全技术说明书和化学品安全标签的；
（六）危险化学品经营企业经营没有化学品安全技术说明书和化学品安全标签的危险化学品的；
（七）危险化学品包装物、容器的材质以及包装的型式、规格、方法和单件质量（重量）与所包装的危险化学品的性质和用途不相适应的；
（八）生产、储存危险化学品的单位未在作业场所和安全设施、设备上设置明显的安全警示标志，或者未在作业场所设置通信、报警装置的；
（九）危险化学品专用仓库未设专人负责管理，或者对储存的剧毒化学品以及储存数量构成重大危险源的其他危险化学品未实行双人收发、双人保管制度的；
（十）储存危险化学品的单位未建立危险化学品出入库核查、登记制度的；
（十一）危险化学品专用仓库未设置明显标志的；
（十二）危险化学品生产企业、进口企业不办理危险化学品登记，或者发现其生产、进口的危险化学品有新的危险特性不办理危险化学品登记内容变更手续的。
从事危险化学品仓储经营的港口经营人有前款规定情形的，由港口行政管理部门依照前款规定予以处罚。储存剧毒化学品、易制爆危险化学品的专用仓库未按照国家有关规定设置相应的技术防范设施的，由公安机关依照前款规定予以处罚。
生产、储存剧毒化学品、易制爆危险化学品的单位未设置治安保卫机构、配备专职治安保卫人员的，依照《企业事业单位内部治安保卫条例》的规定处罚。

I. 监督学习与无监督学习有什么不同

监督学习是从标记的训练数据来推断一个功能的机器学习任务。在监督学习中，每个实例都是由一个输入对象(通常为矢量)和一个期望的输出值(也称为监督信号)组成。监督学习算法是分析该训练数据，并产生一个推断的功能，其可以用于映射出新的实例。
无监督学习是机器学习的一个分支，它从未经标记或分类的测试数据中学习。它本质上是一个统计手段，在没有标签的数据里可以发现潜在的一些结构。
两者的主要区别是：
1.监督学习是一种目的明确的训练方式，你知道得到的是什么;而无监督学习则是没有明确目的的训练方式，你无法提前知道结果是什么。
2.监督学习需要给数据打标签;而无监督学习不需要给数据打标签。
3.监督学习由于目标明确，所以可以衡量效果;而无监督学习几乎无法量化效果如何。

J. 非监督学习有哪些

无监督学习（Unsupervised Learning）是和监督学习相对的另一种主流机器学习的方法，我们知道监督学习解决的是“分类”和“回归”问题，而无监督学习解决的主要是“聚类（Clustering）”问题。

从无监督学习说起：算法模型有哪几种？

监督学习通过对数据进行标注，来让机器学习到，比如：小曹多重多高就是胖纸，或者用身高体重等数据，来计算得到小曹的BMI系数；而无监督学习则没有任何的数据标注（超过多高算高，超过多重算胖），只有数据本身。

比如：有一大群人，知道他们的身高体重，但是我们不告诉机器“胖”和“瘦”的评判标准，聚类就是让机器根据数据间的相似度，把这些人分成几个类别。

那它是怎么实现的呢？怎么才能判断哪些数据属于一类呢？

这是几种常见的主要用于无监督学习的算法。

K均值（K-Means）算法；
自编码器（Auto-Encoder）；
主成分分析（Principal Component Analysis）。
K均值算法
K均值算法有这么几步：

从无监督学习说起：算法模型有哪几种？

随机的选取K个中心点，代表K个类别；
计算N个样本点和K个中心点之间的欧氏距离；
将每个样本点划分到最近的（欧氏距离最小的）中心点类别中——迭代1；
计算每个类别中样本点的均值，得到K个均值，将K个均值作为新的中心点——迭代2；
重复234；
得到收敛后的K个中心点（中心点不再变化）——迭代4。
上面提到的欧氏距离（Euclidean Distance），又叫欧几里得距离，表示欧几里得空间中两点间的距离。我们初中学过的坐标系，就是二维的欧几里得空间，欧氏距离就是两点间的距离，三维同理，多维空间的计算方式和三维二维相同。