1.吴恩达机器学习课程笔记：监督学习、无监督学习

吴恩达机器学习系列课程：监督学习

吴恩达机器学习系列课程：无监督学习

仅作为个人学习笔记，若各位大佬发现错误请指正

机器学习的学习算法：监督学习、无监督学习、半监督学习（监督与无监督的结合）、强化学习
监督学习与无监督学习的根本区别：监督学习的数据既有特征又有标签，而非监督学习的数据中只有特征而没有标签。（例如：身高属于特征，标签是高或矮）

左侧为监督学习针对有标签的数据、右侧为监督学习针对无标签的数据

1.1 监督学习（Supervised Learning）

监督学习是从标记的训练数据来推断一个功能的机器学习任务。摘自：监督学习

监督学习主要解决回归问题、分类问题

回归分析是一种预测性的建模技术，它研究的是因变量（目标）和自变量（预测器）之间的关系。
常见回归算法：线性回归、多项式回归、逐步回归、岭回归、套索回归

分类是根据现有数据中对用户或者产品等的类别特征,抽象归纳为模型,并能为新的用户或者产品等进行类别预测的过程 摘自：分类分析
常用分类算法：逻辑回归、支持向量机（SVM）、决策树

分类和回归的区别在于输出变量的类型。
定量输出称为回归，或者说是连续变量预测；
定性输出称为分类，或者说是离散变量预测； 摘自：分类和回归的区别

回归问题例子：房价预测
对数据集进行拟合得到一个函数，向此函数输入值，最终得到预测值

分类问题例子：癌症肿瘤的恶性or良性，分类之后可以对未知肿瘤进行程度预判
一个特征（肿瘤大小）对肿瘤的良性或恶性进行预测

两个特征（肿瘤大小和年龄）对肿瘤的良性或恶性进行预测
若有无穷多个特征，则可以使用支持向量机（SVM）来处理

1.2 无监督学习（Unsupervised Learning）

根据类别未知(没有被标记)的训练样本解决模式识别中的各种问题，称之为无监督学习。摘自：无监督学习

无监督学习主要解决聚类问题、降维问题

聚类问题例子：将关于同一个话题的网址链接放在一起

课程中没有涉及降维问题，先了解一下为什么要降维？

1.它有助于消除冗余的特征和噪声误差因素，最终增强给定数据集的可视化。
2…由于降低了维度，可以表现出优秀的内存管理。
3.通过从数据集中删除不必要的特征列表来选择正确的特征，从而提高模型的性能。
4.更少的维度(强制性的维度列表)需要更少的计算效率，更快地训练模型，提高模型的准确性。
5.大大降低了整个模型及其性能的复杂性和过拟合 摘自：终于有人把降维讲明白了