我的机器学习笔记，监督学习与非监督学习

接触机器学习的第一周，我首先学习了关于监督学习以及非监督学习的含义。

一、监督学习

关于监督学习supervised learning，我的理解就是，每一个数据都要有一个对应的值。

监督学习又可以分为两种:

1、regression problem回归类问题

回归类问题的求解对应的是一个连续的值

关于regression problem，吴恩达老师的举例是说有一堆关于房子大小的房价的数据，然后你来预测一下你朋友的房子应该值多少钱。下图就是每个房子大小对应的房价值。

我的机器学习笔记，监督学习与非监督学习

可以看到每一个房子大小不同都是有一个对应的房价的，这就是监督学习。而且你要预测你朋友的房价，就是通过上面那些确切的点来拟合一条误差最小的线，从而预测出你朋友的房价，很显然这是一个回归类问题，因为这是一个连续的值。

2、classification problem分类问题

分类问题的求解对应的是一个离散的值

关于classification problem，吴恩达老师的举例是有一堆关于肿瘤大小的数据，每个数据对应了这个患者是不是患了癌症。然后给你一个肿瘤大小的数据，你来预测患者是否患了癌症。

我的机器学习笔记，监督学习与非监督学习

可以看到，每个肿瘤大小对应了一个值，这个直接就是是否患癌症，这就是监督学习 。而给你一个肿瘤大小的数据预测是否患有癌症，这就是supervised learning中的classification problem。这里的分类就是指是否患有癌症，而这个也就是所谓的离散值。

二、非监督学习

关于非监督学习unsupervised learning，我的理解就是，给你一堆数据，你从其中找出一个结构，一开始我并没有给这些数据打标签，你要自己发现其中的结构。

非监督学习又可以分为两类:

1、clustering algorithm聚类算法

聚类顾名思义就是聚集分类，就是给你的一堆数据中，这些数据可以聚集分类成很多类型。如下图。

我的机器学习笔记，监督学习与非监督学习

2、non-clustering algorithm 非聚类算法

顾名思义就是数据没有聚集分类，这是一堆杂乱的数据，而你要在这混乱的环境中找到一个结构。

吴恩达老师的举例就是一个鸡尾酒宴会问题。"The cocktail party algorithm"，在宴会这个嘈杂的环境中，你要能自动区分出其中各自不同的声音。

第一次笔记就到这，好好总结，好好学习。

我的机器学习笔记，监督学习与非监督学习