一、分類
有監督學習的兩大應用之一，產生離散的結果。分類方法是一種對離散型隨機變數建模或**的監督學習演算法。
從機器學習的觀點，分類技術是一種有指導的學習，即每個訓練樣本的資料物件已經有類標識，通過學習可以形成表達資料物件與類標識間對應的知識。
要構造分類器，需要有乙個訓練樣本資料集作為輸入。訓練集由一組資料庫記錄或元組構成，每個元組是乙個由有關字段(又稱屬性或特徵)值組成的特徵向量，此 外，訓練樣本還有乙個類別標記。乙個具體樣本的形式可表示為：(v1,v2,…,vn; c)；其中vi表示字段值，c表示類別。分類器的構造方法有統計方法、機器學習方法、神經網路方法等等。
二、聚類
無監督學習的結果。聚類的結果將產生一組集合，集合中的物件與同集合中的物件彼此相似，與其他集合中的物件相異。 聚類是一種無監督學習任務，該演算法基於資料的內部結構尋找觀察樣本的自然族群（即集群）。
在機器學習中，聚類是一種無指導學習。也就是說，聚類是在預先不知道欲劃分類的情況下，根據資訊相似度原則進行資訊聚類的一種方法。
常見的聚類演算法包括：
k-均值聚類演算法(k-mensclustering)則是最典型的聚類演算法
屬於劃分法k中心點（k-medoids）演算法、clarans演算法；
屬於層次法的birch演算法、cure演算法、chameleon演算法等；
三、回歸
3.回歸（regression）
有監督學習的兩大應用之一，產生連續的結果。 回歸方法是一種對數值型連續隨機變數進行**和建模的監督學習演算法。如線性回歸、回歸樹。
分類，聚類，回歸
聚類 所謂聚類，即根據相似性原則，將具有較高相似度的資料物件劃分至同一類簇，將具有較高相異度的資料物件劃分至不同類簇。聚類與分類最大的區別在於，聚類過程為無監督過程，即待處理資料物件沒有任何先驗知識，而分類過程為有監督過程，即存在有先驗知識的訓練資料集。聚類 clustering 是分類 class...
機器學習四大任務 回歸 分類 聚類與降維
回歸任務 回歸是對已有的資料樣本點進行擬合，再根據擬合出來的函式，對未來進行 回歸資料是連續的值，比如商品 走勢的 就是回歸任務。分類任務 分類需要先找到資料樣本點中的分界線，再根據分界線對新資料進行分類，分類資料是離散的值，比如識別 情感分析等領域會經常用到分類任務。聚類任務 聚類是根據樣本之間的...
機器學習之分類模型
iris 鳶尾花資料集是乙個經典資料集，在統計學習和機器學習領域都經常被用作示例。資料集內包含 3 類共 150 條記錄，每類各 50 個資料，每條記錄都有 4 項特徵 花萼長度 花萼寬度 花瓣長度 花瓣寬度，可以通過這4個特徵 鳶尾花卉屬於 iris setosa,iris versicolour...