- 监督学习
- 无监督学习
-
案例1：假如现在要在某地买房子，横坐标是房子的大小，纵坐标是能卖出的价格。现在如果有人有750（ f e e t 2 feet^2 feet2)的房子要卖，问能卖多少钱？
-
问题的解决：对于目前一直的统计数据，使用某种直线或曲线进行拟合。
-
-
案例2：根据特征预测是良性肿瘤还是恶性
-
根据肿瘤的大小来预测癌症是良性还是恶性（1个特征），表达式为一个一元函数 f ( t u m o r _ s i z e ) f(tumor_size) f(tumor_size)
-
根据肿瘤的大小、病人的年龄来预测是良性还是恶性（2个特征），表达式为一个二元函数 f ( t u m o r _ s i z e , a g e ) f(tumor_size,age) f(tumor_size,age)
学习算法的目的就是能在两种结果（良性、恶性）之间能够找出一条曲线，将这两类的结果分离开，从而能够预测良性或恶性的概率。
-
而实际案例中往往或遇到更多的特征需要考虑。
-
对于监督学习，即使用给定的数据（标准答案）进行预测，有两类问题：
-
回归问题
回归问题（regression problem）：预测输入变量 (自变量)和输出变量 (因变量)之间的关系。用于预测连续的数值输出。
在上面的例子中，案例一就是一个回归问题。因为房子的价格输出是一个连续值。输入和输出能构成一个连续的函数。
-
分类问题
分类问题（classification problem）：用于预测离散的数值输出。
在上面的例子中，案例二就是一个分类问题。因为输出的只能是0或1，0代表良性，1代表恶性。
在监督学习中，我们已经被告知，数据集中什么是正确答案（哪些特征对应的是恶性，哪些是良性）。但在无监督学习中，数据集中的数据要么没有标签（正确答案），仅仅从数据集中找到某种结构。
比如说现在数据集的数据画在图上显示如下：
无监督学习算法，可以将这些数据分为两个簇（cluster），这就被称为聚类算法（clustering algorithm）。聚类算法的应用：google news 会有很多新闻的专栏，对于某一个专栏，会把很多与这个专栏有关的网站地址汇集到一起。即机器会自动浏览成千上万条的新闻，然后将所有的新闻分类，同一类的网址会显示到一起。
