监督学习、无监督学习与半监督学习

同样是从数据中学习，有没有标准答案会把方法分成几大类。本文用带答案的习题册、无答案的归类游戏、以及少量答案配大量未标注数据的混合模式，解释监督、无监督与半监督三种范式，并补充强化学习与自监督学习的位置。

三种学习方式

想象三种学习方式。第一种是做带答案的习题册，做完立刻对照，错了就改正；第二种是给你一盒混装的纽扣，没人告诉你该怎么分，你自己按颜色、大小、孔数分成几堆；第三种是只有前几道题有答案，剩下的都没有。对应的正是监督、无监督和半监督学习。

监督学习的数据是题目加标准答案，学的是从输入到输出的映射。判断邮件是否垃圾、预测房价、识别图片里的动物都属于它。分类和回归是它的两种主要形式：前者输出离散的类别，后者输出连续的数值。

没有答案时学什么

无监督学习面对的是没有标签的数据，目标是发现结构。最常见的是聚类，把相似的样本归成一群，用于客户分群和异常检测；还有降维，把几百个字段压缩成两三个能画出来的综合指标，方便人直接观察。

半监督学习处在两者之间：标注昂贵而数据便宜，于是用少量标注数据打底，再让大量未标注数据帮助模型把握整体分布。好比老师只讲了三道例题，其余靠学生自己翻阅大量习题，通过反复比对来校准理解。

自监督与强化学习

近年真正改变格局的是自监督学习。它不给数据打人工标签，而是从数据本身制造任务：把一句话里的某个词挖掉让模型预测，或者把图片遮住一块让模型补全。这样一来，海量的无标注文本和图像都变成了免费习题，大模型正是靠它练出来的。

还有一种常被一起提及的范式是强化学习，它既没有标准答案也没有现成数据，靠与环境交互得到的奖励信号来改进策略，更像训练宠物：做对了给零食。这些范式并非互斥，实际系统常常把它们组合使用。

本文为 AI 科普内容，仅用于知识普及，不构成任何技术选型、投资或职业决策建议。