Open maoruibin opened 6 years ago
机器学习的主要任务是分类。另一个主要任务是回归，它主要用于预测数值型数据。
理想输出值（很可能跟实际结果有偏差），也就是我们要预测的事物，即通常所说的 y ,可以理解为一个预测的结果，一个真实特征经过一个模型（这个模型可以通过各种方法获得）的处理后，得到的结果就是现在所说的标签。
已知输入项（一个确定的，来自现实世界的确定值），简单的机器学习项目可能会使用单个特征，而比较复杂的机器学习项目可能会使用数百万个特征。
在垃圾邮件检测器实例中，特征可能包括
数据的特定实例：X
有标签的数据，也就是每一个样本都有确定的标签。 监督学习，必须知道预测什么，既目标变量的分类信息。
朴素贝叶斯、逻辑回归和神经网络都属于监督学习方法。
样本只有几个确定的结果，比如垃圾邮件检测模型，就可以采用分类的方式，一份邮件只有两个结果，要么是垃圾邮件，要么不是
结果不是确定的，比如房价预测，
训练数据由没有任何相应目标值的一组输入向量x组成。 无监督学习，数据没有类别信息，也不会给定目标值。
关于机器学习
机器学习的主要任务是分类。另一个主要任务是回归，它主要用于预测数值型数据。
标签
理想输出值（很可能跟实际结果有偏差），也就是我们要预测的事物，即通常所说的 y ,可以理解为一个预测的结果，一个真实特征经过一个模型（这个模型可以通过各种方法获得）的处理后，得到的结果就是现在所说的标签。
特征
已知输入项（一个确定的，来自现实世界的确定值），简单的机器学习项目可能会使用单个特征，而比较复杂的机器学习项目可能会使用数百万个特征。
在垃圾邮件检测器实例中，特征可能包括
样本
数据的特定实例：X
有标签样本
机器学习分类
监督学习
有标签的数据，也就是每一个样本都有确定的标签。 监督学习，必须知道预测什么，既目标变量的分类信息。
分类
样本只有几个确定的结果，比如垃圾邮件检测模型，就可以采用分类的方式，一份邮件只有两个结果，要么是垃圾邮件，要么不是
回归
结果不是确定的，比如房价预测，
无监督学习
训练数据由没有任何相应目标值的一组输入向量x组成。 无监督学习，数据没有类别信息，也不会给定目标值。