1.ML-监督学习(supervised learning)与无监督学习(unsupervised learning)

1.1监督学习(supervised learning)

　　初步定义：给定一个数据集，而且给定正确答案，数据集中的每一个例子，经过算法将预测获得例子的“正确答案”。

　　回归：设法预测连续的输出值； 

　　如，关于房屋面积与房价之间关系的房价预测；

                                              

　　当由房屋面积对应房屋的售价时，通常是成连续关系，当房屋面积越大，售价越高，因此当给出任一房屋size时，其相应的Price也会预测获得，这即是典型的回归问题，输出预测到连续性的值。

　　分类：设法预测一个离散的输出值。如，根据肿瘤快大小判别是否患肿瘤。

                                                  

　　肿瘤由许多因素决定，但真正的影响因素有一个，根据肿瘤块的大小判别是否患肿瘤，通常来讲，肿瘤快值越大，患肿瘤的几率越高，典型的分类问题，输出预测的离散性的预测值。

 

1.2无监督学习(unsupervised learning)

　　没有属性或标签概念，给定数据集，数据分红不一样聚类，无监督学习把数据分红多个不一样簇，为聚类。

                                                  

　　无监督学习，由给定的数据，找出数据中蕴含的类型结构，然后进行聚类分析。