小白入门：机器学习算法分类学习总结

目标：

1.说明机器学习算法监督学习与无监督学习的区别

2.说明监督学习中的分类，回归特点

分析：

当识别猫和狗时，利用特征值进行判断，当目标值是一个类别的时候，我们把这种目标值是一个类别的问题，称为分类。

目标值：类别--分类问题 特征值：猫或者狗的图片  目标值：类别

如果进行房屋价格预测时，特征值为房屋价格 ，面积，位置等时，我们预测其价格时，会发现其价格可以是一个具体的值，我们认为这是一种连续性的数据。

目标值：连续性的数据--回归问题  特征值：房屋的各个属性信息  目标值：房屋的价格

 当我们的数据集中没有目标值的时候 ，我们把这种称为无监督学习

目标值：无--无监督学习 特征值：人物的各种信息  目标值：无 

 

 

因此：当有目标时，称之为监督学习；无目标时，称之为无监督学习

监督学习--分类，回归--输入的数据有特征值有标签，即有标准答案

无监督学习--聚类--输入的数据有特征无标签，即没有标准答案

练习：

预测明天的气温是多少度？--回归问题

预测明天是阴，晴或雨？--分类问题

人脸年龄预测？--根据不同的判断方法，会有不同的解决问题 或者回归或者分类

人脸识别？--分类问题

 

总结

1.监督学习

定义：输入数据是由输入特征值和目标值所组成的。函数的输出可以是一个连续的值（回归），也可以是有限个离散值（分类）。

分类的算法：k-近邻算法，贝叶斯分类，决策树与随机森林，逻辑回归

回归的算法：线性回归，岭回归

2.无监督学习

定义：输入数据是由输入特征值所组成

算法：聚类 k-means