分类(classification):
若我们欲预测的是离散值,例如“好瓜”“坏瓜”,此类学习任务称为"分类"
回归(regression)
若欲预测的是连续值,例如西瓜成熟度0.95、0.37,类学习任务称为“回归”.
对只涉及两个类别的称为“二分类’(binary classification)’
聚类”(clustering)
即将训练集中的样本分成若干组,每组称为一个 “簇”(cluster);
根据训练数据是否拥有标记信息,学习任务可大致划分为两大类:“ 监督学习”(supervised learning) 和 “无监督学习”(unsupervised learning), 分类和回归是前者的代表,而聚类则是后者的代表.
监督学习
无监督学习中的数据集没有标签,即没有告知明确的答案,而是通过聚类的方法来对数据集进行分类。
例:谷歌新闻将具有相同话题的新闻整合到一个模块中。过程是在网络中搜寻很多新闻然后用聚类算法进行分类整合。
无监督学习还可以用来对社交网络进行分析,对你常联系的人进行记录或者你的好友进行识别,来判断哪些人可能相互认识。还可以对市场中的客户信息进行分割,将客户分到不同的市场中。
2.线性回归
线性回归是用于回归的,对某一现象或类进行归纳为线性模型,通过连续的输入变量,预测出一个值;通过拟合最佳直线来建立自变量和因变量的关系,而这条最佳直线就叫做回归线,并且可以用:
Y= a*X + b
3.逻辑回归
这是一个分