exploram a detecção de outliers, enquanto modelos não supervisionados usam dados representados em formatos como XML ou JSON para treinamento..

geralmente têm menos tendência ao overfitting do que modelos não supervisionados.

requerem dados rotulados para treinamento, enquanto modelos não supervisionados podem funcionar com dados não rotulados.

são mais adequados para tarefas de análise exploratória de dados, enquanto modelos não supervisionados são mais adequados para previsão de séries temporais.

são usados apenas para classificação, enquanto modelos não supervisionados são usados apenas para agrupamento.