机器学习简介

机器学习的主要任务是将实例数据划分到合适的分类中，机器学习的另一任务是回归，主要用于预测数值型数据。
分类和回归属于监督学习，之所以称之为监督学习，是因为这类算法必须知道预测什么，即目标变量的分类信息。与监督学习相对应的是无监督学习，此时数据没有类别信息，也不会给定目标值。在无监督学习中，将数据集合分成由类似的对象组成的多个类的过程被称为聚类；将寻找描述数据统计值的过程称为密度估计。此外无监督学习还可以减少数据特征的维度，以便我们可以使用二维或三维图形更加直观地展示数据信息。（简言之，个人觉得，监督学习就是知道结果可能取值的范围，而无监督学习不知道）
如何选择合适的算法？
如果想要预测目标变量的值，则可以选择监督学习算法（如果目标变量的类型是离散型，选择分类算法，连续型，则选择回归算法），否则选择无监督学习算法（如果要将数据划分成离散的组，则选择聚类算法，否则，选择密度估计算法）
开发机器学习应用程序的步骤

1. 收集数据
2. 准备输入数据
3. 分析输入数据
4. 训练算法（无监督学习，没有目标变量的值，不需要训练算法）
5. 测试算法
6. 使用算法