机器学习基础（监督学习和无监督学习）

机器学习的分类

• 监督学习
  提供数据并提供数据对应结果的机器学习过程
• 无监督学习
  提供数据并不提供数据对应结果的机器学习过程
• 强化学习
  通过与环境的交互并获取延迟返回进而改进行为的学习过程

无监督学习

定义：我们不知道数据集中数据、特征之间的关系，而是要根据分组或聚类或一定的模型得到数据之间的关系。

可以这么说，比起监督学习，无监督学习更像是自学，让机器学会自己做事情，是没有标签（label）的。

无监督学习应用

Google新闻按照内容结构的不同分成财经，娱乐，体育等不同的标签，这就是无监督学习中的聚类。

监督学习

定义：根据已有的数据集，知道输入和输出结果之间的关系。根据这种已知的关系，训练得到一个最优的模型。也就是说，在监督学习中训练数据既有特征(feature)又有标签(label)，通过训练，让机器可以自己找到特征和标签之间的联系，在面对只有特征没有标签的数据时，可以判断出标签。

• 监督学习的分类：回归(Regression）、分类（Classification)
• 当输出被限制为有限的一组值（离散数值）时使用分类算法
• 当输出可以用具体范围内的任何数值（连续数值）时使用回归算法

相似度学习是和回归和分类都密切相关的一类监督机器学习，它的目标是使用相似度函数从样本中学习。

监督学习的应用

预测房价或者房屋售出情况