*个人学习笔记
机器学习按照方法来分类，可以分成四类，分别是：监督学习、无监督学习、半监督学习和强化学习。
一 、监督学习
1.1 定义
监督式学习（英语：Supervised learning），是一个机器学习中的方法，可以由训练资料中学到或建立一个模式（函数 / learning model），并依此模式推测新的实例。训练资料是由输入物件（通常是向量）和预期输出所组成。函数的输出可以是一个连续的值（称为回归分析），或是预测一个分类标签（称作分类）
从数据的角度来讲, 监督学习和无监督学习的区别就在于监督学习的数据不仅仅由特征组成, 即每一个数据样本都包含一个准确的输出值，即打上了标签。
1.2 监督学习的分类
监督学习分为回归（Regression）和分类（Classification）两类。
回归（Regression）：预测连续值输出
分类（Classification）：预测离散值输出
1.3 回归问题
扫描二维码关注公众号，回复：
3223667 查看本文章
这是个一个房价预测问题，属于回归问题。根据面积平方数预测房价，预测值为一个具体的数字，因此是回归问题。
1.4 分类问题
根据肿瘤的大小分辨是否是恶性，这是一个分类问题，预测的输出值是离散的。
上图为单个特征值的情况，下图为两个特征值的情况。
二、 无监督学习
在无监督学习中, 我们的数据并没有给出特定的标签, 例如上面例子中的房价或者是良性还是恶性。
我们的目标从预测某个值或者某个分类变成了寻找数据集中特殊的结构。
让机器和人类一样可以直观的将数据分为两个簇。将数据集分成不同簇的无监督学习算法也被称为聚类算法。
2.1 无监督学习例子：新闻分类
