机器学习笔记1 监督学习和无监督学习

机器学习笔记1 监督学习和无监督学习

机器学习是人工智能的核心知识，基于学习方式可以把机器学习分类为监督学习、无监督学习和强化学习三种。这里简单记录监督学习和无监督学习的定义，以及两者常见的用途和算法。

监督学习

在监督学习中，每个实例都是由一个输入对象（通常为矢量）和一个期望的输出值（也称为监督信号）组成。监督学习算法是分析该训练数据，并产生一个推断的功能，其可以用于映射出新的实例。

简单地说就是老师告诉你了答案，然后你根据答案（期望的输出值）和题目（输入数据）通过分析（训练）找出规律。比如说已知一组数据：[肿瘤大小，是否是恶性肿瘤]，要求预测某大小肿瘤是否是恶性肿瘤，这就是典型的监督学习，因为它给了你一组已知期望结果的数据，让你来分析出是否是恶性肿瘤与肿瘤大小的关系。

如果把监督学习问题分为连续和离散的，就可以发现监督学习解决的是两种问题：回归和分类
回归解决的是连续变量的问题，比如已知历年来的房价，要求预测未来某年的房价，回归就是利用已知的数据得出一个函数来最佳拟合已知的数据。

分类解决的就是上面提到的恶性肿瘤这样的问题，输入的数据是离散的点，简单地说就是将这些点归类。因为这些点是离散的，所以分类问题就相当于是在区域内画一条线分隔开两类点。

无监督学习

无监督学习不同于监督学习就是我们不知道输入数据的期望输出值。也就是说老师不给我们答案，让我们从一堆数据中自己发掘出某种规律。
无监督学习里典型例子是聚类。聚类的目的在于把相似的东西聚在一起，而我们并不关心（事先也不知道）这一类是什么。
聚类算法的应用很广泛，比如将新闻进行分类、根据给定基因分类人群、客户分类等。
常见的聚类算法有k-means等，这些将在以后进行解释。