监督学习和无监督学习很好区分：是否有监督（supervised），就看输入数据是否有标签（label），输入数据有标签，则为有监督学习，没标签则为无监督学习。
**

如何选择合适的监督学习算法

这么多种监督学习算法，如何选择合适的算法？这个问题的答案取决于许多的因素，其中包括：

  1. 数据值的形式，连续还是离散；
  2. 数据的维度，大还是小；
  3. 数据量，多还是少；
  4. 可以利用的计算资源，CPU或者GPU的计算能力；
  5. 对模型准确性和效率的要求。
  6. 对模型可解释性的要求。虽然学习如何权衡输入变量的复杂组合能够带来更准确的预测，但它也使得解释机器学习模型变得更困难。可被解释的预测模型生成的决策，是由原始输入变量带来的，而不是输入变量的任意高阶组合、缩放、加权组合带来的，所以对特征进行操作越直观的模型可解释性越强。