导 读
要识别猫和狗的照片，用的是无监督算法还是有监督算法？一起来看本期大咖如何解答！
@echo_J：#我要提问段立新老师#请问老师，无监督和有监督算法的区别是什么？
段立新老师：
有监督和无监督算法的区别是以训练数据有没有标签区分的。
比如识别猫和狗的照片，这就是一个有监督的学习过程，必须告诉机器每一张照片所属的类别（猫或者狗），也就是对具有标签信息的训练样本进行学习，来尽可能对训练样本集意外的数据进行分类。
而无监督就是没有标签信息的一个学习过程，来发现训练样本集中的结构性知识。常见的有监督算法包括线性回归、逻辑回归LR、决策树、支持向量机SVM等等，无监督算法有聚类算法、PCA等等。
@我叫Belle：#我要提问连德富老师#SVM、LR、决策树的对比？
连德富老师：
SVM和LR都是用于线性分类的算法，但SVM强于LR的地方在于SVM可以引入核函数将非线性可分的学习数据映射到高维变得线性可分，一般小数据中SVM比LR更优一些。但LR可以预测概率，而SVM不可以，它依赖于数据测度，需要先做归一化，LR一般不需要，所以大量的数据，LR使用更广泛。
决策树也是用于分类任务，不过是基于规则划分的算法，根据特征的信息增益或者信息增益比指定划分规则，建立树状结构，通过叶节点给出分类的类别。
@Aaron：#我要提问苏涵老师#能否解释一下对偶的概念？
苏涵老师：
一个优化问题可以从两个角度进行考察，一个是primal 问题，一个是dual 问题，就是对偶问题。一般情况下对偶问题给出主问题最优值的下界，在强对偶性成立的情况下由对偶问题可以得到主问题的最优下界，对偶问题是凸优化问题，可以进行较好的求解，SVM中就是将primal问题转换为dual问题进行求解，从而进一步引入核函数的思想。
寻道君：如果您在大数据技术及其在教育领域应用等方面还有什么困惑呢？欢迎在我们的公众号对话框留言提问哦！
联系客服
