机器学习擅长的任务:

● 回归（regression）

● 分类（classification）

● 聚类（clustering）

1.回归（regression）

回归是处理连续数据时使用的方法，如时间序列数据。

股价就是时间序列数据的一个例子，身高和体重本身就是连续的数据，假如记录下每天的身高和体重，那么得到的数据就是类似于股价的时间序列数据了。

从这样的数据中学习它的趋势，求出“明天的股价会变为多少”“今后的趋势会怎样”的方法就是回归算法。当然了，股价的变动不只受过去股价的影响，所以光靠这个信息并不能很好地预测出来。

2.分类（classification）

鉴别垃圾邮件就可以归类为分类问题，即把问题分为不同的类别。

 实际上机器学习中最麻烦的地方，就是收集数据，像以上垃圾邮件分类这张表，需要先用〇或×手动标记邮件是否为垃圾邮件；无论收集数据的环境变得多好，还是有很多需要人工介入的工作。

再比如，根据照片上的人脸来判断他是男人还是女人的工作也是分类问题，像这种只有两个类别的问题称为二分类，有三个及以上的问题称为多分类，比如数字的识别就属于多分类问题。

3.聚类（clustering）

聚类与分类相似，却又有些不同：它与分类的区别在于数据带不带标签。也有人把标签称为正确答案数据。

如上表，聚类算法考虑的问题是：假设在有100名学生的学校进行摸底考试，根据考试成绩把100名学生分为几组，根据分组结果，我们能得出某组偏重理科、某组偏重文科这样有意义的结论。

总结：使用有标签的数据进行的学习称为有监督学习，与之相反，使用没有标签的数据进行的学习称为无监督学习。回归和分类是有监督学习，而聚类是无监督学习。