1.1 监督、无监督与半监督怎么选

1.1 监督、无监督与半监督怎么选

本节摘要：学习范式按「训练数据里有没有标签、有多少标签」划分。监督学习拟合输入到标注的映射，无监督学习在无标注数据里找结构，半监督学习用少量标注引导大量无标注数据。面试中考的不是定义，而是给你一个业务场景让你论证选哪种、以及自监督这类新范式的归类。

这一节是全书的起点，因为它决定了后面所有问题的问法：范式选错，指标、算法、调优的讨论全部失焦。第 1.2 节讲模型误差从哪来，而范式选择正是误差的第一个来源——无标注却硬做监督，标注有噪却当金标准，都是面试里一追问就露馅的点。

面试实录：主问题与标准答案

主问题：「说说监督学习和无监督学习的区别。」

这题的开局几乎不可避免，但回答方式直接决定面试官接下来问多深。

标准答案

划分依据是训练信号的形式：监督学习的每条样本带有标注，模型学习从输入到标注的映射，目标是让预测对齐人工给定的标准；无监督学习只有输入没有标注，目标是发现数据内在的结构，比如聚类找簇、降维找低维表示、关联规则找共现模式。半监督介于两者之间：标注昂贵所以只有少量带标样本，利用大量无标注数据的分布信息来增强学习。

说完定义后加一句场景判断，档次立刻不同：标注成本是选择范式的第一约束——医学影像、法律文书这类标注要专家介入的场景，纯监督经常不现实，这才催生了半监督、弱监督和自监督的工程化应用。

追问一层：自监督到底算哪一类

追问：「现在大模型预训练都说自己监督学习，它到底是监督还是无监督？」

面试官在考你有没有跟上范式版图的变化，以及能不能用「训练信号从哪来」这个本质标准去归类新事物，而不是死记三分类。

参考答法：自监督不需要人工标注，但并非没有监督信号——它从数据自身构造监督信号。语言模型预测下一个词，标签就是文本里真实出现的下一个词；对比学习判断两个增广视图是否来自同一样本，正负样本对是构造出来的。所以更准确的说法是：自监督把「无标注数据」转化成了「自动生成标注的监督任务」，训练形式是监督式，标注来源是自动化。归类争议本身就说明传统三分法按「有无人工标注」划分的边界已经松动，面试时点破这一点是加分项。

追问二层：给你场景，你怎么选

追问：「我们有一批用户行为日志，只有小部分被运营标注过是否流失，怎么建模？」

这是从定义题跳到方案题，考你能不能把范式选择和标注现实结合起来。推荐的回答结构是先问清楚、再给梯度方案：

• 先问标注比例与质量：标注占比几个百分点还是一半，标注标准是否稳定，直接决定路线；
• 标注极少（如低于百分之五）：优先考虑半监督或自监督预训练加少量微调——先用无标注行为序列做自监督任务（比如masked行为预测），学出用户表示，再用带标样本训练流失分类头；
• 标注中等且有误：上弱监督思路，把运营规则产生的粗标签当噪声标签处理，配合样本权重或标签修正；
• 完全无标注：退到无监督，先做用户分群（聚类）给运营做分层运营，把「流失预测」降级为「高风险群识别」。

易错点：一上来就报算法名（「用XGBoost」）而不问标注情况；把半监督理解成「标注和非标注数据各取一半」；声称自监督「不需要任何标签所以是无监督」，却讲不出伪标签从哪构造出来。

评分要点：定义层说清划分依据（及格）；能用标注成本解释范式演进的因果（良好）；面对场景题先问数据再给梯度方案，且能说出自监督的信号构造机制（优秀）。只背定义不能场景化的回答，在这一题上通常止步及格线。

用代码感受范式差异

同一种数据（鸢尾花特征），监督与无监督的任务目标完全不同：

import pandas as pd
from sklearn.cluster import KMeans
from sklearn.linear_model import LogisticRegression
from sklearn.datasets import load_iris

X, y = load_iris(return_X_y=True)

# 监督式：用标注 y 学一个映射，目标是"预测新样本的类别"
clf = LogisticRegression(max_iter=200).fit(X, y)
print("监督任务准确率:", clf.score(X, y))          # 有 y 可评：约 0.97

# 无监督式：完全不用 y，目标是"把结构相似的样本分到一起"
km = KMeans(n_clusters=3, n_init=10, random_state=0).fit(X)
print("聚类与真实标签的交叉表:")
print(pd.crosstab(y, km.labels_))  # 只能事后对照，训练中 y 未参与
​

注意无监督那段并没有「错误率」可言——没有标注就没有天然的损失锚点，评估要靠轮廓系数这类内部指标或事后的人工解读，这个「评估难」的坑会在第 3 章展开。

一张表收敛全部要点

下一节进入所有基础题的数学支点：偏差、方差与过拟合。范式定了之后，模型误差从哪来、能压到哪去，就是必须能白板推导的问题。

高频追问速答

问：弱监督和半监督是一回事吗？
不是。半监督特指「少量精标加大量无标」的训练设定；弱监督是更大的伞，包括不精确的标注（图像级标签代替框）、不完整的标注与含噪标注，半监督只是弱监督语境下的一种数据设定。混用这两个词，说明文献读得不够细。

问：无监督学习的评估为什么难，有什么通用思路？
难在没有外部真值锚点，任何内部指标都只度量「你声明的结构是否存在」，不度量「这个结构是否有用」。通用思路是双轨：内部指标（轮廓系数、戴维森堡丁指数）管几何合理性，外部效度靠下游任务表现或业务验证管实用性。把「聚类好不好」转化成「聚类驱动的动作有没有效」，是工程上唯一可靠的裁决方式。

问：迁移学习和这些范式什么关系？
迁移学习回答的是「知识怎么跨任务流动」，不规定源任务怎么学——源任务可以是监督的（ImageNet 分类预训练）、自监督的（ masked 语言建模预训练）。面试里把它放在范式讨论的末尾作为总结最合适：范式回答用什么训练信号，迁移回答信号怎么复用，两者正交。

白板自测：对着空气用一句话分别定义四种范式，再各举一个业务例子；超时即回炉。

考官视角的追加两问

问：自监督的负样本是什么，为什么重要？
对比学习里负样本提供「什么算不同」的对照信号：没有负样本，模型学会把所有表示缩到一起（坍缩）。负样本的采样策略（批内随机、难例挖掘、队列缓存）直接决定表示质量，这是自监督题往下追的必经站。

问：标签噪声对范式选择有什么影响？
监督范式对标签噪声敏感，噪声会在损失里被认真拟合；无监督与自监督天然绕开人工标注的噪声源。标注质量差的团队，先用自监督学表示、再用小规模精标数据训练头部，往往比硬着头皮清洗全量标注更划算。