机器学习利用领域：

1：随着网络数据增大，需要搜集用户的数据，做喜好性偏向判断等。

2：只要有数据的，无论是医疗领域，还是基因领域都是需要机器学习来发现数据密码。

3：机器自我学习类，飞机自己飞。

4：文字识别，路线规划

目前我所认为的机器学习本质：大数据技术，通过算法学习大量数据，然后给出预测或相关结果。

对于回归和分类算法的区别。

回归：对象是连续的数据，你要预测最后大致在哪一个区间，或者说具体的，杭州西湖区去年房子价格，然后要去预测今年西湖区平均房价。定量的算法。

分类：对象是离散的，比如我得了肿瘤，预测是良性还是恶性的，当然结果不一定是两个，可以是很多个，但是最后是要给判断性结果，简单说就是要定性。

监督学习：所有数据的输入就是人已经经过了第一次判断，比如这个是恶性肿瘤（已经被人为判断），你要先输入一定的定性判断。

无监督学习：就是单纯的数据集

聚类算法：无序数据集，可以通过算法将数据分类，比如每天今日头条的新闻，关于“恐怖袭击”这个关键词，搜索引擎会每天搜集上万条新闻，然后通过分类算法，把相关的新闻推送给你。

比如京东有很多用户，偏向数码类，母婴，衣服，不同类型的客户，随着浏览的商品或者搜索的商品等数据，可以判断这个顾客属于什么类型的顾客，做什么推动。

模型与线性回归

这是一个面积与放假模型，然后可以设置x和y 关系就变成了x通过h假设等于y

那么这就是一个回归问题，这个是一元的，所以是线性回归

这就是一个标准的预测集

随着假设函数不同，拟合结果会有很大的不同

这样计算的目的在于方差最小，得到最佳曲线。

最佳曲线的计算方法就是差值平方方差

 

 涉及的第二个概念代价函数（平方误差函数）

样本存在一个总体偏差量，代价函数的定义我可以称作个体偏差，也就是对应的代价。

所以说这样看来，代价函数在回归问题中，充当一个标准，可以对某种回归方式做具体评价。

第一个是假设函数，第三个是代价函数

然后是，随着关系函数的变化，代价函数会出现对应

同理，变量变成两个的时候，代价函数就是依然是碗装，只不过变成三维，理论上是n+1

 

为了数学好解释，转化为等高线图