利用一組帶有標籤的資料，學習從輸入到輸出的對映，然後將這種對映關係應用到未知資料上，達到分類或回歸的目的。
分類：當輸出為離散的，學習任務為分類任務。
回歸：當輸出為連續的，學習任務為回歸任務。
訓練集：用來訓練的已標註的資料，用來建立模型，發現規律。
測試集：已標註的資料，通常隱藏標記，輸送給以訓練的模型，通過結果與真實標記對比，評估模型的學習能力。
訓練集/測試集劃分：
已標記資料隨機選出一部分(70%)作為訓練資料，其他作為測試資料。
交叉驗證法；
自助法分類學習-評價標準
精確率：針對**結果的正確多少。以二分類為例，它表示的是**為正的樣本中有多少是真正的正樣本。那麼**為正就有兩種可能了，一種是把正類**為正類(tp)，另一類就是把負類**為正類(fp)。
召回率：是針對我們原來的樣本而言的，它表示的是樣本的正類有多少被**正確了。那也有兩種可能，一種是把原來的正類**為正類(tp)，另外一種是把原來的正類**為負類( fn).
回歸分析：相關性分析
sklearn回歸模組：sklearn.linear_model和sklearn.preprocessing
有監督學習 無監督學習與半監督學習
這個問題可以回答得很簡單 是否有監督 supervised 就看輸入資料是否有標籤 label 輸入資料有標籤，則為有監督學習，沒標籤則為無監督學習。但根據知乎慣例，答案還是要繼續擴充套件的。首先看什麼是學習 learning 乙個成語就可概括 舉一反三。此處以高考為例，高考的題目在上考場前我們未必...
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...
有監督學習和無監督學習
是否有監督 supervised 就看輸入資料是否有標籤 label 輸入資料有標籤，則為有監督學習，沒標籤則為無監督學習 這裡我參考網路資料將機器學習分為 有監督學習 無監督學習 半監督學習和強化學習四類。回歸 regression 其資料集是給定乙個函式和它的一些座標點，然後通過回歸分析的演算法...