機器學習的分類
- 監督學習
提供數據並提供數據對應結果的機器學習過程 - 無監督學習
提供數據並不提供數據對應結果的機器學習過程 - 強化學習
通過與環境的交互並獲取延遲返回進而改進行爲的學習過程
無監督學習
定義：我們不知道數據集中數據、特徵之間的關係，而是要根據分組或聚類或一定的模型得到數據之間的關係。
可以這麼說，比起監督學習，無監督學習更像是自學，讓機器學會自己做事情，是沒有標籤（label）的。
無監督學習應用
Google新聞按照內容結構的不同分成財經，娛樂，體育等不同的標籤，這就是無監督學習中的聚類。
監督學習
定義：根據已有的數據集，知道輸入和輸出結果之間的關係。根據這種已知的關係，訓練得到一個最優的模型。也就是說，在監督學習中訓練數據既有特徵(feature)又有標籤(label)，通過訓練，讓機器可以自己找到特徵和標籤之間的聯繫，在面對只有特徵沒有標籤的數據時，可以判斷出標籤。
- 監督學習的分類：迴歸(Regression）、分類（Classification)
- 當輸出被限制爲有限的一組值（離散數值）時使用分類算法
- 當輸出可以用具體範圍內的任何數值（連續數值）時使用迴歸算法
相似度學習是和迴歸和分類都密切相關的一類監督機器學習，它的目標是使用相似度函數從樣本中學習。
監督學習的應用
預測房價或者房屋售出情況
