监督学习和无监督学习

监督学习（Supervised Learning）

定义：根据已有的数据集，知道输入和输出结果之间的关系。根据这种已知的关系，训练得到一个最优的模型。也就是说，在监督学习中训练数据既有特征(feature)又有标签(label)，通过训练，让机器可以自己找到特征和标签之间的联系，在面对只有特征没有标签的数据时，可以判断出标签。

监督学习的分类：回归(Regression）、分类（Classification)

监督学习的例子：假设说你想通过查看病历来推测乳腺癌良性与否。

让我们来看一组数据:这个数据集中，横轴表示肿瘤的大小，纵轴上，我标出 1 和 0 表 示是或者不是恶性肿瘤。我们之前见过的肿瘤，如果是恶性则记为 1 ，不是恶性，或者说良 性记为 0。
我有 5 个良性肿瘤样本，在 1 的位置有 5 个恶性肿瘤样本。现在我们有一个朋友很不幸 检查出乳腺肿瘤。假设说她的肿瘤大概这么大，那么机器学习的问题就在于，你能否估算出 肿瘤是恶性的或是良性的概率。用术语来讲，这是一个分类问题。
对于输入样本，都存在标签0或1，机器学习的任务就是通过该样本建立的模型来估计该肿瘤的性质，是恶性的还是良性的。

无监督学习（Unsupervised Learning）

定义：我们不知道数据集中数据、特征之间的关系，而是要根据聚类或一定的模型得到数据之间的关系。

可以这么说，比起监督学习，无监督学习更像是自学，让机器学会自己做事情，对于输入的样本数据是没有标签（label）的

无监督学习的分类：聚类

无监督学习的例子聚类应用的一个例子就是在谷歌新闻中。谷歌新闻每天都在，收集非常多，非常多的网络的新闻内容。 它再将这些新闻分组，组成有关联的新闻。所以谷歌新闻做的就是搜索非常多的新闻事件， 自动地把它们聚类到一起。所以，这些新闻事件全是同一主题的，所以显示到一起。

参考视频：吴恩达机器学习