機器學習要解決的第一類問題是分類問題。機器學習的另一項任務是回歸，它主要用於**數值型資料。大多數人可能都見過回歸的例子---資料擬合曲線：通過給定資料點的最優擬合曲線。
分類和回歸都屬於監督學習，之所以稱之為監督學習，是因為這類演算法必須知道**什麼，即目標變數的分類資訊。
與監督學習對應的是無監督學習，此時資料沒有類別資訊，也不會給定目標值。在無監督學習中，將資料集合分成由多個類似的物件組成的多個類的過程被稱為聚類。將尋找描述資料統計值的過程稱之為密度估計。
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...
監督學習，無監督學習和半監督學習
監督學習 supervised learning 無監督學習 unsupervised learning 半監督學習 semi supervised learning 2 概念 監督學習 用一部分已知分類 有標記的樣本來訓練機器後，讓它用學到的特徵，對沒有還分類 無標記的樣本進行分類 貼標籤。一句話...
監督學習和無監督學習 監督學習與非監督學習
監督學習 supervised learning 的任務是學習乙個模型，使模型能夠對任意給定的輸入，對其相應的輸出做出乙個好的 即 利用訓練資料集學習乙個模型，再用模型對測試樣本集進行 例如kaggle上的鐵達尼號比賽。官方提供旅客資料 資料集1 姓名，年齡，性別，社會經濟階層，是否生存等 要求參賽...