1.3 监督模式识别与非监督模式识别

监督模式识别与非监督模式识别是模式识别领域的两大核心分支，二者的核心差异在于是否依赖“类别已知的训练样本”作为学习“导师”，在问题设定、学习目标、方法特点及结果解读上均存在显著区别，具体如下：

一、监督模式识别（Supervised Pattern Recognition）

1. 核心定义与前提假设

• 定义：在已知“待划分类别”且能获取“类别已知的训练样本”的前提下，以训练样本作为“导师”，建立分类模型（分类器），实现对未知样本类别的预测。
• 关键前提：
  • 明确知道要划分的类别数量及类别含义；
  • 拥有足够数量的“特征-类别”对应训练样本（即每个样本的特征向量与所属类别标签已知）。

2. 典型应用场景

• 图像分类（如区分“猫/狗/汽车”，需先提供大量标注好类别的图像作为训练集）；
• 疾病诊断（如根据“患者特征-疾病标签”训练模型，预测新患者是否患病）；
• 手写数字识别（如MNIST数据集，每个手写数字图像均标注对应的0-9类别）。

3. 核心流程

1. 数据准备：收集类别已知的样本，构建训练集（含特征向量与类别标签）；
2. 特征处理：对样本特征进行提取、选择或预处理（如去噪、归一化）；
3. 模型训练：用训练集训练分类器（如贝叶斯分类器、支持向量机、神经网络等）；
4. 分类决策：用训练好的分类器对未知样本的特征向量进行类别预测。

4. 特点

• 目标明确：直接学习“特征→类别”的映射关系，分类结果具有明确的预设类别含义；
• 依赖标注样本：标注样本的质量（准确性、代表性）和数量直接影响分类器性能；
• 结果确定性：对同一未知样本，在相同模型下分类结果唯一（排除随机化模型）。

二、非监督模式识别（Unsupervised Pattern Recognition）

1. 核心定义与前提假设

• 定义：在“未知待划分类别”“无类别已知训练样本”（甚至未知类别数量）的前提下，仅根据样本特征的“相似性”或“内在结构”，将样本自动聚为若干类（称为“聚类”），使同类样本相似性高、异类样本相似性低。
• 关键前提：
  • 无需知道类别数量及类别含义；
  • 仅拥有无类别标签的样本特征向量，通过数据自身规律发现类别。

2. 典型应用场景

• 客户分群（如根据用户消费行为特征，将客户自动分为“高消费/中等消费/低消费”群体，无需预先定义群体标签）；
• 基因表达数据分析（如根据基因表达水平，将细胞自动聚为不同类型，探索未知细胞亚型）；
• 异常检测（如通过正常数据的聚类结构，识别偏离聚类的“异常样本”，如信用卡欺诈交易检测）。

3. 核心流程

1. 数据准备：收集无类别标签的样本，构建待分析样本集；
2. 特征处理：对样本特征进行预处理（如降维、标准化），突出样本间的差异或相似性；
3. 聚类分析：选择聚类算法（如K均值、层次聚类、模糊聚类等），对样本进行自动分组；
4. 结果解释：结合领域知识分析聚类结果的实际意义（如“聚类1对应年轻高消费客户”），验证聚类合理性。

4. 特点

• 目标是“发现类别”：不预设类别，从数据中挖掘内在结构，属于“探索性分析”；
• 无需标注样本：适用于标注成本高或类别未知的场景（如生物领域新物种分类、工业异常检测）；
• 结果非唯一性：
  • 同一数据集采用不同聚类算法（如K均值vs层次聚类）或不同参数（如K均值的K值选择），可能得到不同聚类结果；
  • 聚类结果的“合理性”需结合领域知识判断（如客户分群结果需业务人员验证是否符合实际客户特征）。

三、监督与非监督模式识别的核心差异对比

对比维度	监督模式识别	非监督模式识别
样本需求	需类别已知的训练样本（带标签）	仅需无类别标签的样本（无标签）
类别信息	已知类别数量及含义	未知类别数量及含义，需从数据中发现
学习目标	学习“特征→类别”的映射，用于预测未知样本	发现样本内在结构，实现“相似样本聚为一类”
结果特点	结果唯一，对应预设类别	结果非唯一，需领域知识解释合理性
典型算法	贝叶斯分类器、SVM、神经网络、决策树	K均值、层次聚类、DBSCAN、自组织映射
适用场景	预测性任务（如疾病诊断、图像分类）	探索性任务（如客户分群、异常检测）

四、补充说明

1. 术语对应：国内部分文献中，监督学习也称为“有导师学习”，非监督学习也称为“无导师学习”，本质与本文定义一致。
2. 非监督学习的扩展：除聚类外，非监督学习还包括“发现数据内在结构”的任务，如高维数据降维（如PCA、t-SNE）、发现数据间的关联关系等，核心均是“无标签下挖掘数据规律”。
3. 二者结合：实际应用中常结合两种方法，例如：先用非监督聚类发现潜在类别，再用聚类结果作为“伪标签”训练监督分类器（半监督学习）；或用监督学习验证非监督聚类的合理性（如用已知类别标签评估聚类纯度）。