机器学习的学习范式（Learning Paradigms）有哪些？

1. 监督学习（Supervised Learning）

• 定义： 监督学习是一种学习范式，算法在带有输入特征（features）和对应标签（labels）的标注数据集上进行训练，学习特征与目标变量之间的映射关系。
• 任务类型：
  • 分类（Classification）： 预测数据属于哪个类别（离散输出）。
    示例：垃圾邮件检测（邮件是垃圾还是正常）。
  • 回归（Regression）： 预测连续的数值（连续输出）。
    示例：房价预测。
• 常见算法：
  • 分类：逻辑回归、支持向量机（SVM）、k近邻（kNN）。
  • 回归：线性回归、岭回归、支持向量回归（SVR）。
• 数据特点： 数据中包含输入（XXX）和目标输出（YYY），模型通过已知的X,YX, YX,Y对来学习。

---

2. 无监督学习（Unsupervised Learning）

• 定义： 无监督学习的算法在没有标签的情况下学习数据的结构或模式。目标是发现数据中的潜在规律或分布。
• 任务类型：
  • 聚类（Clustering）： 将数据分组为若干类群（没有预定义标签）。
    示例：客户群体划分。
  • 降维（Dimensionality Reduction）： 减少数据的维度，同时尽可能保留重要信息。
    示例：主成分分析（P