1. 监督学习模型

定义：监督学习使用标注数据进行训练，即每个输入样本都对应一个已知的正确输出（标签）。模型的目标是学习输入与输出之间的映射关系。

优点：

• 准确性高： 因为使用了标注数据，模型通常能取得高预测性能。
• 目标明确： 直接优化任务相关的指标（如分类准确率、回归误差）。
• 收敛快： 由于目标明确，模型的收敛速度通常较快。

缺点：

• 数据标注成本高： 大量高质量的标签数据通常需要手动生成。
• 过拟合风险： 如果数据量不足，模型可能记住训练集而不能泛化。

常见模型：

1. 分类任务：
   • 支持向量机（SVM）
   • 决策树（Decision Tree）
   • 神经网络（如 CNN、RNN、Transformer）
2. 回归任务：
   • 线性回归（Linear Regression）
   • 支持向量回归（SVR）
   • 随机森林回归

2. 半监督学习模型

定义：
半监督学习同时使用 少量有标签数据 和 大量无标签数据 进行训练。它试图通过无标签数据补充学习信息，从而提高模型性能。

优点：

• 降低标注成本： 只需少量有标签数据即可启动训练，节省人工成本。
• 充分利用无标签数据： 在许多实际场景中，无标签数据丰富且容易获取。
• 改善泛化能力： 借助无标签数据，模型更易捕获数据分布特征。

缺点：

• 依赖无标签数据质量： 如果无标签数据分布与目标分布差异过大，可能会引入噪声。
• 算法复杂度较高： 半监督方法通常需要更复杂的训练策略，如生成式模型或一致性正则化。

常见模型：

1. 生成式方法：
   • 自编码器（Autoencoder）
   • 生成对抗网络（GAN）
2. 一致性方法：
   • Pi Model
   • Mean Teacher
3. 图模型：
   • 图神经网络（Graph Neural Networks, GNN）

3. 无监督学习模型

定义：
无监督学习使用未标注的数据进行训练，目标是从数据中发现模式、结构或潜在分布。例如，聚类或降维任务。

优点：

• 无标签依赖： 无需人工标注，直接利用数据。
• 探索性强： 适合发现数据隐藏的结构或规律。

缺点：

• 目标不明确： 没有标签，难以直接衡量任务效果。
• 应用场景有限： 仅适合某些特定任务（如聚类、降维、密度估计）。
• 难以评估： 缺乏明确的评估标准。

常见模型：

1. 聚类：
   • K-means
   • 层次聚类（Hierarchical Clustering）
   • DBSCAN
2. 降维：
   • 主成分分析（PCA）
   • t-SNE
   • 自编码器（Autoencoder）
3. 密度估计：
   • 高斯混合模型（GMM）

三者的具体区别：