机器学习丨监督学习与无监督学习

较为通俗易懂的参考：2 监督学习与无监督学习
表述比较清晰的参考：监督学习和无监督学习的区别

前言

机器学习算法最主要两个分类就是监督学习、无监督学习。（此外强化学习和推荐系统也都是机器学习算法的一员）（强化学习也叫半监督学习）

监督学习

监督学习可以被分为回归问题与分类问题。

监督学习的基本思想是，对于数据集中的每个数据，都有相应的正确的答案，算法就是基于这些来进行预测，我们知道了输出应该是什么样子的。

例如房价的问题和肿瘤的问题：
房价问题是回归问题，即通过回归来预测一个连续值输出。
肿瘤问题是分类问题，它的目标是预测离散值输出。

从给定的训练数据集中学习出一个函数（模型参数），当新的数据到来时，可以根据这个函数预测结果。监督学习的训练集要求包括输入输出，也可以说是特征和目标。训练集中的目标是由人标注的。监督学习最常见的是分类（注意和聚类区分）问题，通过已有的训练样本（即已知数据及其对应的输出）去训练得到一个最优模型（这个模型属于某个函数的集合，最优表示某个评价准则下是最佳的），再利用这个模型将所有的输入映射为相应的输出，对输出进行简单的判断从而实现分类的目的。也就具有了对未知数据分类的能力。监督学习的目标往往是让计算机去学习我们已经创建好的分类系统（模型）。

监督学习是训练神经网络和决策树的常见技术。这两种技术高度依赖事先确定的分类系统给出的信息，对于神经网络，分类系统利用信息判断网络的错误，然后不断调整网络参数。对于决策树，分类系统用它来判断哪些属性提供了最多的信息。

常见的有监督学习算法：回归分析和统计分类。最