有監督學習是指我們給演算法乙個資料集，並且給定正確的答案。
現在有一套房子的面積是750平，請問該套房子**多少合適？
如果我們根據這些資料計算出圖中的藍色線，這樣估計該房子大約值160k；而如果我們根據這些資料擬合出黑色曲線，用該曲線計算的話，該套房子的**大約在220k左右。怎麼才能給出乙個最準確的結果就是機器學習的需要計算的。這就是有監督學習的過程。更準確來說，這就是回歸問題。
在有監督學習中，還有乙個常常提到的概念，那就是分類。例如，在文字識別中，假設這裡有乙個資料集包含a到z的英文本母的資料集，我們現在有乙個字母，需要判定它是這26個字母中的哪乙個時，這就是分類問題（只不過是乙個多分類而已，每個字母乙個類）。分類肯定是有依據的，這就需要用到特徵這一概念，例如，我們可以用到字母的梯度特徵，角點特徵，筆畫特徵等等。根據特徵，讓機器去對輸入的字母進行判定，分類中概率最大的就是最終的輸出結果。
無監督學習和有監督學習在資料上有很大的差別，在有監督學習的資料中，我們知道資料的屬性（如房子的面積對應的**）、標籤（如每個字母乙個類，乙個類對應乙個標籤）。而在無監督學習過程中，所有的資料都是一樣的，沒有區別。但是，無監督學習演算法可能會根據資料的結構判定該資料報含不同的聚類（可以理解為將資料聚集為不同類），這就是乙個新概念——聚類。
有監督學習和無監督學習 無監督學習
一.無監督學習包含的演算法 聚類 kmeans聚類演算法 降維 pca 之所以叫無監督學習 是因為模型是從無標籤的資料開始學習，沒有目標值。二.kmeans聚類 1.聚類演算法步驟 定義 將高維資料轉化為低維資料的過程，在此過程中可能會捨棄原有資料，創造新的變數 作用 降低原始資料的維數 複雜度 損...
有監督 無監督學習概念
機器學習分為 監督學習，無監督學習，半監督學習等。監督學習 supervised learning 無監督學習 unsupervised learning 半監督學習 semi supervised learning 有監督和無監督兩者的不同點 有監督學習方法必須要有訓練集與測試樣本。在訓練集中找規...
機器學習（二） 有監督學習 無監督學習和半監督學習
1 特徵 feature 資料的特徵。舉例 書的內容 2 標籤 label 資料的標籤。舉例 書屬於的類別，例如 計算機 圖形學 英文書 教材 等。舉例 把很多書交給乙個學生，培養他給書本分類的能力。4 分類 classification 定性輸出稱為分類，或者說是離散變數 舉例 明天是陰 晴還是雨...