以下是摘抄自知乎上對監督學習與非監督學習的總結，覺得寫得很形象，於是記下：
這個問題可以回答得很簡單：是否有監督（supervised），就看輸入數據是否有標簽（label）。輸入數據有標簽，則為有監督學習，沒標簽則為無監督學習
首 先看什么是學習（learning）？一個成語就可概括：舉一反三。此處以高考為例，高考的題目在上考場前我們未必做過，但在高中三年我們做過很多很多題 目，懂解題方法，因此考場上面對陌生問題也可以算出答案。機器學習的思路也類似：我們能不能利用一些訓練數據（已經做過的題），使機器能夠利用它們（解題 方法）分析未知數據（高考的題目）？
最簡單也最普遍的一類機器學習算法就是分類（classification）。對於分類，輸入的訓練 數據有特征（feature），有標簽（label）。所謂的學習，其本質就是找到特征和標簽間的關系（mapping）。這樣當有特征而無標簽的未知數 據輸入時，我們就可以通過已有的關系得到未知數據標簽。
在上述的分類過程中，如果所有訓練數據都有標簽，則為有監督學習（supervised learning）。如果數據沒有標簽，顯然就是無監督學習（unsupervised learning）了，也即聚類（clustering）。
（但有監督學習並非全是分類，還有回歸（regression），此處不細說。（哇擦，貴圈太亂，逼着我用了這么多括號））
目 前分類算法的效果普遍還是不錯的，相對來講，聚類算法就有些慘不忍睹了。確實，無監督學習本身的特點使其難以得到如分類一樣近乎完美的結果。這也正如我們在高中做題，答案（標簽）是非常重要的，假設兩個完 全相同的人進入高中，一個正常學習，另一人做的所有題目都沒有答案，那么想必第一個人高考會發揮更好，第二個人會發瘋。
這時各位可能要 問，既然分類如此之好，聚類如此之不靠譜，那為何我們還可以容忍聚類的存在？因為在實際應用中，標簽 的獲取常常需要極大的人工工作量，有時甚至非常困難。例如在自然語言處理（NLP）中，Penn Chinese Treebank在2年里只完成了4000句話的標簽……
這 時有人可能會想，難道有監督學習和無監督學習就是非黑即白的關系嗎？有沒有灰呢？Good idea。灰是存在的。二者的中間帶就是半監督學習（semi-supervised learning）。對於半監督學習，其訓練數據的一部分是有標簽的，另一部分沒有標簽，而沒標簽數據的數量常常極大於有標簽數據數量（這也是符合現實情 況的）。隱藏在半監督學習下的基本規律在於：數據的分布必然不是完全隨機的，通過一些有標簽數據的局部特征，以及更多沒標簽數據的整體分布，就可以得到可 以接受甚至是非常好的分類結果。（此處大量忽略細節：
因此，learning家族的整體構造是這樣的：
有監督學習（分類，回歸）
↕
半監督學習（分類，回歸），transductive learning（不懂怎么翻譯，直推式學習？）（分類，回歸）
↕
半監督聚類（有標簽數據的標簽不是確定的，類似於：肯定不是xxx，很可能是yyy）
↕
無監督學習（聚類）