本文共 1119 字，大约阅读时间需要 3 分钟。

一.监督学习

1.监督学习的定义

监督学习：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，也称为监督训练或有教师学习。

通俗的讲，就是人来训练机器，教会机器如何做事情。

2. 监督学习的分类

2.1 回归

例如，对于一个地区的房价的数据，如图所示，横轴表示房子的面积，纵轴表示房价。回归算法的目的就是根据这组数据，计算一套房子能卖出多少钱。

我们应用学习算法，拟合一条直线或是二次函数曲线，根据这条线可以推测出，这套房子可能卖出的金额。

回归是针对于连续性变量的

2.2 分类

例如，通过查看病例来推测肿瘤的良性与否，在如图的数据集中，横轴表示肿瘤的大小，纵轴上，用1和 0表示是或者不是恶性肿瘤。我们之前见过的肿瘤，如果是恶性 则记为 1，不是恶性，或者说良性记为 0。

这里分类就派上了用场，分类和回归的区别，在于分类是针对离散型的，输出的结果是有限的。

在本例中，输入一个数据，产生的结果毕竟是离散的，即只有“是”和“否”两种结果。

3.监督学习小测验

假设你经营着一家公司，你想开发学习算法来处理这两个问题：

1. 你有一大批同样的货物，想象一下，你有上千件一模一样的货物等待出售，这时你
   想预测接下来的三个月能卖多少件？
2. 你有许多客户，这时你想写一个软件来检验每一个用户的账户。对于每一个账户，
   你要判断它们是否曾经被盗过？
   那这两个问题，它们属于分类问题、还是回归问题。

问题一是一个回归问题，因为数千件货物是一个连续的值。因此卖出的物品数，也是一个连续的值。

问题二是一个分类问题，因为用 0 来表示账户未被盗，用 1 表示账表示账户曾经被盗过。所以我们根据账号是否被盗过，把它们定为0 或或 1，然后用算法推测一个，然后用算法推测一个账号是账号是 0 还是还是 1，因为只有少数的离散值，所以他是一个分类问题。

二.无监督学习

1.无监督学习的定义

无监督学习：不知道数据集中的关系，而是需要根据聚类或是一定的模型的得到数据的关系。

通俗的讲，就是，需要机器自己学习如何做事

如图所示，无监督学习是对于给定的数据，将其自动分为两类不同的簇 例如在新闻应用中，根据每一条新闻的内容对其进行分类，便是一种无监督学习的体现。

2.无监督学习例题

判断下列哪些选项是无监督学习

A. 给定标记为垃圾邮件/非垃圾邮件的电子邮件，学习垃圾邮件过滤器。

B. 给定一组在网络上找到的新闻文章，将它们分组为一组关于同一故事的文章。 C. 给定一个客户数据数据库，自动发现细分市场并将客户分组到不同的细分市场 D. 给定一组被诊断为是否患有糖尿病的患者，学习将新患者分类为是否患有糖尿病。

BC是无监督学习，而AD是监督学习。

转载地址：http://nmlvb.baihongyu.com/