Supervised vs unsupervised learning

Зачем знать разницу

На любом собеседовании по ML первый вопрос — «что такое supervised и unsupervised learning». Junior отвечает «первое с метками, второе без». Middle объясняет с примерами. Senior обсудит nuances — self-supervised, semi-supervised, RL.

В продуктовой аналитике это критично. Churn prediction — supervised (есть labels). Customer segmentation — unsupervised (нет готовых групп). Recommendation — гибрид. От типа зависит подход к данным и выбор алгоритма.

В статье:

• Короткий ответ
• Примеры supervised (regression, classification)
• Примеры unsupervised (clustering, dimensionality reduction)
• Semi-supervised и self-supervised (современное)
• Когда какой тип выбрать

Короткий ответ

• Supervised: обучаемся на parah (X, y) — features и target. Модель учится предсказывать y по X.
• Unsupervised: есть только X (без y). Модель ищет структуру / паттерны.

Supervised

Типы задач

Regression — предсказать число:

• Цена дома
• LTV клиента
• Time до события

Classification — предсказать категорию:

• Churn / no churn
• Spam / не spam
• Категория товара

Алгоритмы

• Linear / Logistic Regression
• Decision Trees
• Random Forest
• Gradient Boosting (XGBoost, LightGBM, CatBoost)
• Neural Networks
• SVM
• k-NN

Что нужно

• Labeled data: X + y (сотни-тысячи примеров)
• Train/test split: не переобучиться
• Evaluation metric: RMSE / MAE для regression, accuracy / F1 / AUC для classification

Unsupervised

Типы задач

Clustering — группировка:

• RFM-сегментация клиентов
• Customer personas

Dimensionality reduction — сжатие:

• PCA для feature engineering
• t-SNE / UMAP для визуализации

Anomaly detection:

• Fraud
• System failures

Association rules:

• Market basket analysis («купили X → купят Y»)

Алгоритмы

• K-Means, DBSCAN, Hierarchical clustering
• PCA, t-SNE, UMAP
• Isolation Forest, Autoencoders (anomaly)
• Apriori, FP-Growth (association)

Что нужно

• Только X (features)
• Интерпретация результата — человеческая работа (нет гарантии качества)
• Доменные знания для валидации

Различия в workflow

Supervised

1. Собрать labeled data
2. Train / test split
3. Обучить модель
4. Оценить на test (accuracy / AUC)
5. Deploy

Unsupervised

1. Собрать X
2. Выбрать алгоритм (K-means?)
3. Запустить
4. Интерпретировать вручную — что значит этот кластер?
5. Использовать результат (метки для dashboard, для targeted кампаний)

Semi-supervised

Когда часть данных labeled, часть — нет.

Пример: 1000 размеченных + 100 000 неразмеченных документов. Обучаем сначала на малом labeled, потом propagate labels на unlabeled.

Техники: Pseudo-labeling, self-training, graph-based.

Self-supervised

Новая школа (2018+). Labels генерируются из самих данных.

Пример: BERT — модель предсказывает пропущенное слово в предложении. Labels (пропущенное слово) есть прямо в тексте.

Революция: не нужны human labels → огромные датасеты.

Reinforcement learning (4-й тип)

Нет labels. Агент взаимодействует со средой, получает reward.

• AlphaGo, GPT RLHF, recommender systems
• Не изучают прямо по X→y, а оптимизируют долгосрочный reward.

В продуктовой аналитике

Supervised примеры

• Churn prediction
• LTV forecasting
• Lead scoring
• Conversion probability
• Fraud detection

Unsupervised примеры

• Customer segmentation (K-Means на behavioral features)
• Anomaly detection в metrics
• Grouping похожих товаров
• Topic modeling на отзывах

На собесе

«Разница?» Supervised — X и y. Unsupervised — только X.

«Примеры?» Churn = supervised. Segmentation = unsupervised.

«Как оценивать unsupervised?» Нет готовой метрики. Domain knowledge + silhouette / elbow для кластеризации.

«K-means supervised?» Нет, unsupervised — не нужны готовые labels.

Частые ошибки

1. Unsupervised без интерпретации

K-Means дал 5 кластеров → хорошо, но ЧТО это за группы? Без этого бесполезно.

2. Supervised без test set

Обучили, «отлично работает на train» → скорее всего overfit.

3. Clustering как замена segmentation

Rule-based segmentation часто лучше: понятнее, стабильнее.

4. Игнорировать semi-supervised

Если есть много unlabeled — они могут улучшить модель.

Связанные темы

• Что такое clustering простыми словами
• Линейная регрессия
• Logistic regression
• Random Forest
• Gradient boosting

FAQ

Semi-supervised vs weakly-supervised?

Semi = часть labeled. Weakly = labels noisy / не точные.

Unsupervised быстрее?

Обычно быстрее trainить, но интерпретация дольше.

Можно без labels совсем?

Да, unsupervised и self-supervised — без human labels.

Что учить первым?

Supervised. Фундамент ML.

---

Тренируйте ML — откройте тренажёр с 1500+ вопросами для собесов.