携手创作，共同成长！这是我参与「掘金日新计划 · 8 月更文挑战」的第20天，点击查看活动详情
1. 监督学习
定义：
- 输入数据是由输入特征值和目标值所组成
- 函数的输出可以是一个连续的值（称为回归）
- 或者是输出是有限个离散值（称为分类）
在反馈映射方面：监督学习输出的是之间的关系，可以告诉算法什么样的输入对应着什么样的输出
在反馈时间方面：做了比较坏的选择会立刻反馈给算法
在输入特征方面：输入是独立同分布的
1.1 回归问题
所谓回归问题，就是根据样本集拟合出一条连续曲线，例如房价预测问题
1.2 分类问题
得到的结果是离散的，例如按猫的品种对猫猫进行分类，得到的不是连续值，而是离散值，比如美短，蓝猫，加菲猫，布偶猫等等。
1.3 监督学习训练方式
首先，得到一些没有标记过的数据。让专家进行相应的预测，得到一些标记物的数据。然后，通过标记物的数据，训练这个模型。此时，得到的就是一个监督学习的训练模型。
1.4 独立同分布
输入空间中的所有样本服从一个隐含未知的分布，训练数据所有样本都是独立地从这个分布上采样而得。
- 独立：每次抽样之间没有关系，不会相互影像
- 同分布：每次抽样，样本服从同一个分布
- 独立同分布：每次抽样之间独立而且同分布
机器学习训练模型的时候，初期为了让模型训练起来比较简单，一般是要求的训练数据和测试数据都符合独立同分布的。但是也没有必须要求这样。
2. 无监督学习
定义：
- 输入数据是由输入特征值组成，没有目标值
- 输入数据没有被标记，也没有确定的结果。样本数据类别未知
- 需要根据样本间的相似性对样本集进行类别划分
3. 无监督学习与有监督学习对比
-
监督学习：输入的数据有特征值，也有目标值
- 目标值连续：回归
- 目标值离散：分类
-
无监督学习：输入的数据有特征值，但是无目标值
-
半监督学习
定义：训练集同时包含有标记样本数据和未标记样本数据。
3.1 半监督学习训练方式
首先，拿到一些大量的没有标记的数据，从中取少部分数据让专家进行标记，标记完成之后，我们通过这些少量的数据训练出一个初步的模型。初步的模型还要用那些未标记的数据来得到最后整体模型。
3.2 半监督与监督学习的区别
主要是看标记数据量的多少，以及看最后训练这个模型，用没用到一些没有标记物的数据
