监督学习与无监督学习的区别与联系

监督学习和无监督学习都是机器学习中的两种主要方法，它们的主要区别在于训练数据的使用方式以及预测目标。

1. 监督学习：
- **区别**：监督学习依赖于标记的训练数据，即每组输入都有相应的输出或标签。它的目标是学习一个函数，能够从输入映射到已知的输出，以便对新的、未知的数据进行预测。
- **联系**：在监督学习中，算法通过学习输入（特征）和输出（标签）之间的关系来构建模型，如线性回归、决策树、支持向量机和深度神经网络等。
- **例子**：垃圾邮件分类、图像识别、房价预测。

2. 无监督学习：
- **区别**：无监督学习则没有明确的标签或目标，数据集只有输入而没有输出。其目的是发现数据的内在结构、模式或聚类，例如相似性分析或异常检测。
- **联系**：虽然没有直接的反馈，但一些无监督学习技术也可能用于预处理或准备数据，以便后续的监督学习任务。
- **例子**：客户分群、市场分割、降维（如PCA）。

**相关问题--:**
1. 监督学习中如何处理缺失标签的问题？
2. 无监督学习有哪些常见的应用场景？
3. 在实际项目中，如何选择使用监督学习还是无监督学习？