机器学习的分类（机器学习的分类）

机器学习的分类（机器学习的分类）

机器学习主要分成两大类：有监督学习和无监督学习，两者的区别在于是否有标签。标签可以类比为问题的答案，提供答案让计算机用来学习以及检查学习效果的是监督学习，没有答案的是无监督学习。比如在垃圾邮件分类问题中，每封邮件都被标记了是否是垃圾，计算机学习以后就可以实现自动对新邮件分类，这是有监督学习。再比如电子商务网站、娱乐平台等通常都拥有大量用户数据，这些数据一般没有标签，我们常常需要把有着相似属性的用户放在一起，从而为后期的个性化推荐服务，这是无监督学习。

有监督学习又进一步分为：回归和分类两大类。两类的不同点在标签类别是否有限，回归的标签一般是连续的实数，比如给定房屋各项属性值（面积，建造年份，所处地理位置）预测房屋价格；分类的标签则是有限多个，比如给定西瓜的各项属性值（瓜蒂、声响、颜色）预测是否为好瓜。

如同每个人都会采用最适合自己的学习方法，计算机也是一样，面对大量数据时，它也要选择合适的学习方法，这些方法我们可以统称为机器学习算法。常用的有监督学习算法有：线性回归和线性分类算法、k-近邻算法、逻辑回归、支持向量机、决策树和随机森林以及现在非常火热的神经网络和深度学习，无监督学习算法有：k-均值算法、聚类算法、降维算法等。后面我会一一详述每种算法的特点和适用的条件。

未完待续……