监督学习&无监督学习【吴恩达机器学习】

监督学习

回归监督学习

特点：需要人工输入算法实例供机器学习，给出正确的输入和对应输入正确的输出案例，以达到最后只需要输入就可以给出正确输出的合理预测；
eg：给定一个坐标系映射房屋面积和价格的关系，横轴表示房屋面积，纵轴表示价格，学习过程是将一组数据给到机器来学习，最终的学习结果是给定一个房屋面积，可以合理的推算出对应的价格，这个学习结果的过程叫做回归；
重点：输入输出型的这种学习重点在于图中的曲线如何定义最为合理，什么样的函数最为准确

分类监督学习

特点：对不同类别或完全独立的两种事务进行分类，交由机器学习。
eg：比如植物、动物分类，对于机器来说学习的过程中可以理解为通过一个多维坐标系，根据不同类别的事物不同的特性进行分类识别学习，比如图片颜色作为x轴，照片目标大小、形状等特征作为y轴、z轴等等；最终的输入也可以是多个来判断最终的结果
重点：

1. 和输入输出类型的监督学习不一样的点是分类监督学习可能会有更多的入参，得到的结果会是一个有限且可预测的集合；
2. 和输入输出类型一样，也需要确定一个拟合曲线的函数，找到这个函数最优值方可让结果更加准确

总结

监督学习是从正确答案中进行学习，回归学习要从无限的集合中预估出可能的结果；分类监督学习是对一批内容进行分类，在有限和已知的结果中输出结果
无监督学习

无监督学习

聚类算法

获取没有标签的数据并尝试自动将他们分组到集群中，这其实是将这些数据进行了相似度匹配的逻辑，学过向量数据库的同学可能更容易理解一些，基于不同类别的数据在向量数据库中的相似度区分成不同的类别。
比如一个txt文档有1w行数据，其中1/3内容描述的是动物相关，1/3描述的内容是植物相关，1/3描述的是外星人相关，那么聚类算法会将其分为三类，后续新进来的数据就会根据数据内容特征划分到对应的类别或者成立一个新的类别