机器学习能够解决的基本问题

机器学习作为深度学习的基础，在很多方面仍然有其不可磨灭的功绩。它能够解决的问题主要可以分为三个类别：

1. 回归问题
2. 分类问题
3. 聚类问题
   每个问题有其运用到的不同的场景，根据不同的场景选用不同的模型

分类问题

分类问题，我们就将机器学习的过程看做是寻找一个复杂的函数的过程，在准备数据集时，需要同时准备自变量和因变量，我们最终的目的是根据我们未知结果的数据，去得到结果，现在我们需要使用我们已知结果的数据，去训练这个函数，找到最符合这些数据分布的“复杂函数”，然后使用这个复杂函数根据我们的输入得到相应的输出。
显然，分类问题属于一个监督学习的过程，因为有因变量的校验，使得不同类型的数据得到分类。
很常见的分类问题，水果分类，手写体识别（简单拿10个数字，其实就是使用10种数字的图片进行一个分类的过程），鲜花、动物识别，识别一个句子的情绪等等。

聚类问题

聚类问题，有句俗语叫做：“物以类聚，人以群分”。固然相似的人，相似的事物，他们在同一个圈子中的概率会更大。所以聚类问题就是根据已知输入的相似程度，将其划分成为不同的群落。
例如：

1. 根据一批麦粒的数据，判断哪些属于同一个种
2. 根据客户在电商网站的浏览和购买历史，判断哪些客户对某件商品感兴趣
3. 判断哪些客户具有更高的相似度等等
   聚类不需要准备因变量，它只需要将一堆数据划分成不同的类别即可，我们可以控制将其分类的类别数，也就是最终的结果为多少个类别。

回归问题

回归问题，也是一个监督学习的过程。它是根据已知的输入和输出，寻找某种性能最佳的模型，将未知输出的输入代入模型，得到连续的输出。（对于分类问题来说，其输出的值是离散的）
最常见的线性回归也就是类似于：y=wx+b这种形式，也有更为复杂的回归模型，如：多项式回归，逻辑回归，岭回归等等。
回归问题也很常见，例如：根据房屋的面积，地段等条件来预测房屋的价格；根据各种外部条件预测股票的价格，以及走向；根据农业、气象、病虫害程度等条件预测粮食的收成；计算两个人脸的相似度。
如发现错误，欢迎批评指正，谢谢！