机器学习线性回归案例讲解_机器学习实例--线性回归

一、问题引入

1.首先明确几个概念目前三大最常见的机器学习任务：

1.回归问题

2.分类问题

3.聚类问题

Machine learning机器学习是Artificial inteligence的核心，分为四类：

1、Supervised learning监督学习

是有特征(feature)和标签(label)的，即便是没有标签的，机器也是可以通过特征和标签之间的关系，判断出标签。举例子理解：高考试题是在考试前就有标准答案的，在学习和做题的过程中，可以对照答案，分析问题找出方法。在高考题没有给出答案的时候，也是可以给出正确的解决。这就是监督学习。

一句话概括：给定数据，预测标签。

通过已有的一部分输入数据与输出数据之间的对应关系，生成一个函数，将输入映射到合适的输出，例如分类。

2、Unsupervised learning无监督学习

只有特征，没有标签。举例子理解：高考前的一些模拟试卷，是没有标准答案的，也就是没有参照是对还是错，但是我们还是可以根据这些问题之间的联系将语文、数学、英语分开，这个过程就叫做聚类。在只有特征，没有标签的训练数据集中，通过数据之间的内在联系和相似性将他们分成若干类。

一句话概括：给定数据，寻找隐藏的结构。

直接对数据集建模。

以上两者的区别：监督学习只利用标记的样本集进行学习，而无监督学习只利用未标记的样本集。

3、Semi-Supervised learning半监督学习

<