监督式学习

算法模型分为两类：
    一类是没有标签的非监督式学习，另一类是带有标签数据的监督室学习。
    监督室学习的主要目的是利用模型对未知数据做预测。监督式学习根据根据数据的不同分为两类：若标签变量表示类别（变量时离散的），则成为分类；若标签变量表示数值（变量时连续的），则成为回归。一方面，通过数据分段，将连续标签变量转换为离散标签变量，那么回归问题就变成分类问题。另一方面，大多数分类模型都是先对数据属于某一类别的概率做回归，在基于回归结果得到最终的分类预测。分类模型的本质是回归模型。
监督室学习有很多，比较典型的有支持向量学习机、决策树和树的集成。
    支持向量学习机的分类效果很好，使用范围也很广，曾一度是机器学习的主流方向。
    决策树模型的建模思路是模拟人在现实生活中做决策的过程，因而模型非常容易理解。
    树的集成建立在决策树的基础上，通过使用集成方法提升的预测效果，这其中包括随机森林哥和GBTs。