下列不属于监督学习的方法是A. 逻辑树B. 人工神经网络C. 均值聚类D. SVM

本题考查监督学习和无监督学习方法的区分，解题思路是明确监督学习和无监督学习的定义，然后判断每个选项所属的学习类型。

• 监督学习：是指利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程，需要有标记的数据进行训练。
• 无监督学习：是指在没有标记的数据上进行训练，目的是发现数据中的模式、结构或关系。

下面对每个选项进行分析：

• A. 逻辑树：逻辑树（通常指决策树）是一种常见的监督学习算法。它通过对训练数据进行分析，构建出一个树形结构，每个内部节点是一个属性上的测试，每个分支是一个测试输出，每个叶节点是一个类别或值。在训练过程中，需要有标记的训练数据来确定如何划分节点，以使得决策树能够对新的数据进行准确分类。例如，在判断一个水果是苹果还是橙子时，决策树可以根据水果的颜色、大小、形状等特征进行判断，这些特征和对应的类别标签就是监督学习所需的标记数据。
• B. 人工神经网络：人工神经网络也是一种监督学习方法。它由大量的神经元组成，通过调整神经元之间的连接权重来学习数据中的模式。在训练过程中，需要输入有标记的数据，网络根据输入数据和对应的标记来调整权重，使得网络的输出尽可能接近真实的标记。例如，在图像分类任务中，输入的是图像数据，标记是图像所属的类别，神经网络通过不断学习这些数据来提高分类的准确性。
• C. 均值聚类：均值聚类（K - 均值聚类）是一种无监督学习算法。它的目的是将数据集中的数据点划分为不同的簇，使得同一簇内的数据点相似度较高，不同簇之间的数据点相似度较低。在聚类过程中，不需要数据的标记信息，算法根据数据点之间的距离（如欧氏距离）来自动划分簇。例如，在对一群人的身高和体重数据进行聚类时，不需要事先知道每个人属于哪个类别，算法会自动将身高和体重相似的人划分到同一个簇中。
• D. SVM：支持向量机（SVM）是一种经典的监督学习算法。它的目标是在特征空间中找到一个最优的超平面，使得不同类别的数据点能够被最大程度地分开。在训练过程中，需要有标记的训练数据来确定超平面的位置和参数。例如，在二分类问题中，SVM会根据训练数据的特征和对应的类别标签来找到一个最优的超平面，使得两类数据点能够被清晰地分开，从而对新的数据进行分类。