版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/apollo_miracle/article/details/88811978
学习目标
- 说明机器学习算法监督学习与无监督学习的区别
- 说明机器学习算法目标值的两种数据类型
- 说明监督学习中的分类、回归特点
- 说明机器学习(数据挖掘)的开发流程
1 机器学习算法类别
1.1 按照学习方式分类
监督学习(supervised learning)（预测）
- 定义：输入数据是由输入特征值和目标值所组成。函数的输出可以是一个连续的值(称为回归），或是输出是有限个离散值（称作分类）。
- 分类 k-近邻算法、贝叶斯分类、决策树与随机森林、逻辑回归、神经网络
- 回归 线性回归、岭回归
- 标注 隐马尔可夫模型 (不做要求)
无监督学习(unsupervised learning)
- 定义：输入数据是由输入特征值所组成。
- 聚类 k-means
半监督和强化学习
1.2 区别
1.3 关于监督学习中的分类与回归区别
要理解这两个概念，我们从两个数据类别来看。
两种数据类型
- 离散型数据：由记录不同类别个体的数目所得到的数据，又称计数数据，所有这些数据全部都是整数，而且不能再细分，也不能进一步提高他们的精确度。
- 连续型数据：变量可以在某个范围内取任一数，即变量的取值可以是连续的，如，长度、时间、质量值等，这类整数通常是非整数，含有小数部分。
注：只要记住一点，离散型是区间内不可分，连续型是区间内可分
数据的类型将是机器学习中监督学习不同问题不同处理的依据？
结合刚才讲过的数据类型，针对这两个例子的输出结果，得出结论
- 分类：目标值数据类型为离散型
- 分类是监督学习的一个核心问题，在监督学习中，当输出变量取有限个离散值时，预测问题变成为分类问题，最基础的便是二分类问题，即判断是非，从两个类别中选择一个作为预测结果；
- 回归：目标值数据类型为连续型
- 回归是监督学习的另一个重要问题。回归用于预测输入变量和输出变量之间的关系，输出是连续型的值。
2 机器学习开发流程
理解模型这个概念
指对于某个实际问题或客观事物，应用合适的算法得到的结果，称之为模型。
相当于对问题，抽象成数学问题。模型 = 算法 + 数据