监督学习、无监督学习和半监督学习的分类

机器学习

机器学习：机器通过对大量的数据集中学习，进而得到一个更加符合现实规律的模型。通过对模型的使用，使得机器对于新的数据集能够有很好的预测。

有监督学习

有监督学习：根据已有的训练数据集，每一个数据都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。
有监督学习的可分为两类：分类或回归
分类：定性输出，输出的结果是有限的，离散变量预测。例如：肿瘤的预测，只有“是”和“否”的确定答案。
回归：定量输出，连续变量预测。例如：房价的预测，房屋的价格是具有变化的连续数值。

无监督学习

无监督学习：已有的数据集中数据、特征之间未建立关系，而是要根据聚类或一定的模型得到数据之间的关系
聚类：某一个特定的标准，把一个数据集分割成不同的类或簇，使得同一个簇内的数据对象的相似性尽可能大，同时不再同一个簇内的数据对象的差异性也尽可能的大。例如：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。

半监督学习

半监督学习：有监督学习和无监督学习的中间带，训练数据的一部分是有标签的，另一部分没有标签，而没标签数据的数量常常远远大于有标签数据数量。
半监督学习基本规律在于：数据的分布必然不是完全随机的，通过一些有标签数据的局部特征，以及更多没标签数据的整体分布，就可以得到可以接受甚至是非常好的分类结果