AI 第9天：監督學習與非監督學習

機器學習的核心方法可以分為監督學習與非監督學習，這兩種方法適用於不同的數據類型與問題場景。今天我們將探索它們的基本概念、應用場景，以及簡單的 Python 實作範例。

---

課程目標

1. 理解監督學習與非監督學習的核心概念與區別。
2. 瞭解常見演算法及其應用場景。
3. 實作簡單的監督學習和非監督學習模型。

---

課程內容

1. 監督學習（Supervised Learning）

1.1 核心概念

監督學習使用已經標註好的數據（包含輸入與對應的輸出）來訓練模型，使其能預測未見數據的輸出。

1.2 應用場景

• 分類問題： 判斷電子郵件是否為垃圾郵件。
• 回歸問題： 預測房價或股票價格。

1.3 常見演算法

1. 線性迴歸（Linear Regression）
2. 支援向量機（Support Vector Machine, SVM）
3. 隨機森林（Random Forest）
4. 神經網絡（Neural Networks）

1.4 實作範例：分類問題

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score

# 載入數據
iris = load_iris()
X, y = iris.data, iris.target

# 分割訓練與測試集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 訓練模型
clf = RandomForestClassifier(random_state=42)
clf.fit(X_train, y_train)

# 預測
y_pred = clf.predict(X_test)
print(f"準確率: {accuracy_score(y_test, y_pred):.2f}")

---

2. 非監督學習（Unsupervised Learning）

2.1 核心概念

非監督學習使用未標註的數據，通過模型發掘數據的內部結構或模式，無需依賴目標輸出值。

2.2 應用場景

• 分群問題： 將顧客分為不同群組以便於個性化行銷。
• 降維問題： 壓縮高維數據以便視覺化或減少噪音。

2.3 常見演算法

1. K-Means 分群
2. 主成分分析（PCA）
3. DBSCAN 分群

2.4 實作範例：分群問題

from sklearn.datasets import make_blobs
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt

# 生成數據
X, _ = make_blobs(n_samples=300, centers=3, cluster_std=0.60, random_state=0)

# 使用 K-Means 進行分群
kmeans = KMeans(n_clusters=3, random_state=0)
kmeans.fit(X)

# 分群結果
labels = kmeans.labels_
centers = kmeans.cluster_centers_

# 繪製分群圖
plt.scatter(X[:, 0], X[:, 1], c=labels, cmap='viridis')
plt.scatter(centers[:, 0], centers[:, 1], c='red', s=300, marker='X')
plt.title("K-Means 分群結果")
plt.show()

---

3. 監督學習與非監督學習的比較

特點	監督學習	非監督學習
數據特性	有標籤數據（輸入與輸出）	無標籤數據（僅輸入）
目標	預測目標輸出值	發掘數據內部結構或模式
常見應用	分類、回歸問題	分群、降維問題
範例	預測房價、垃圾郵件分類	顧客分群、資料壓縮

---

課後作業

1. 監督學習實作：
   使用任意數據集（例如 UCI 的房價數據集）建立一個迴歸模型，並測試模型準確度。

2. 非監督學習實作：
   搜集一組無標籤數據，使用 K-Means 分群，並嘗試解釋各分群的特徵。

3. 思考與回答：

   • 你能舉例出一些現實問題適合用監督學習解決嗎？哪些問題則適合非監督學習？
   • 如果標籤數據不足，你會如何處理？