机器学习-什么是机器学习、监督学习和无监督学习

什么是机器学习

让计算机在没有被显式编程的情况下，具备自我学习的能力，针对某件事情，计算机会从经验中学习，并且越做越好。

监督学习和无监督学习

1. 监督学习
今天机器学习创造的99%的经济价值都是通过一种机器学习，那就是监督学习：通过大量已知的输入和输出相匹配的数据，让计算机从中学习出规律，从而能针对一个新的输入做出合理的输出预测。
比如，我们有大量不同特征（面积、地理位置、朝向、开发商等)的房子的价格数据，通过学习这些数据，预测一个已知特征的房子价格，这种称为回归学习（Regression learning）， 即输出结果是一个具体的数值，它的预测模型是一个连续的函数。再比如我们有大量的邮件,每个邮件都已经标记是否是垃圾邮件。通过学习这些已标记的邮件数据，最后得出一个模型，这个模型对新的邮件，能准确地判断出该邮件是否是垃圾邮件，这种称为分类学习(Classfication learning)，即输出结果是离散的,即要么输出1表示是垃圾邮件,要么输出0表示不是垃圾邮件。
2. 无监督学习
在监督学习之后，最广泛使用的机器学习形式是无监督学习：通过大量无标记的数据，去分析出数据本身内在的特点和结构。
比如，我们有大量的用户购物的历史记录信息，从数据中去分析用户的不同类别。针对这个问题，我们最终能划分几个类别？每个类别有哪些特点？我们事先是不知道的。这个称为聚类(Clustering) 。这里需要特别注意和有监督学习里的分类的区别，分类问题是我们已经知道了有哪几种类别；而聚类问题，是我们在分析数据之前其实是不知道有哪些类别的。及分类问题是在已知的答案里选择一个，而聚类问题的答案是未知的，需要利用算法从数据里挖掘出数据的特点和结构。