监督学习，无监督学习和半监督学习

机器学习分为监督学习，无监督学习和半监督学习
机器学习：
让机器从大量的数据集中学习，得到一个符合规律的模型，并通过模型对新数据进行预测

监督学习（supervised learning）：
一、定义：
已知：数据集，输入输出之间的关系
训练数据：有特征，有标签
训练过程：找到特征和标签之间联系，得到一个最优的模型
预测（判断）:对只有特征的数据进行判断其标签
二、分类：
回归（Regression），分类(Classification)
1、Regression：针对于连续型数据
**定义：**根据已经存在的数据，拟合出一个最优函数，可以对新出现的数据进行预测
举例：预测房屋价格
已知数据集：房屋面积和房屋价格以及两者之间 的关系（左图）
训练过程：不断优化找到最符合规律的函数y=f(x)
预测：给出一个新的房屋面积预测出其价格（右图）

2、Classification：针对离散型数据
**定义：**根据输入数据的特征对其进行分类，并对新数据的特征进行预测
举例：估计肿瘤性质
已知数据集：肿瘤大小、病人年龄以及对应的肿瘤是否为恶性，下图圏表示良性，×表示恶性
训练过程：找到可将良性于恶性分隔开的界限，将圏和×分割开
预测：给出一个新的病人，已知其肿瘤大小与年龄，将其放入训练好的模型中，判断出其所在位置即可预测他的肿瘤是否为良性。

无监督学习（unsupervised learning）：
(聚类（clustering）)
一、定义：
数据集：数据与特征之间关系未知
训练数据：无特征，无标签
训练过程：根据样本数据间的相似性对样本数据集进行分类
只分类，不预测

半监督学习
定义：
数据集：既有标记样本数据也有未标记样本数据