标签：因变量 应用 属性 聚类 判断 没有 维数 经济 学生
机器学习分为四大块，分别是classification (分类)，regression (回归), clustering (聚类), dimensionality reduction (降维)。
聚类（clustering）
无监督学习的结果。聚类的结果将产生一组集合，集合中的对象与同集合中的对象彼此相似，与其他集合中的对象相异。
没有标准参考的学生给书本分的类别，表示自己认为这些书可能是同一类别的（具体什么类别不知道，没有标签和目标，即不是判断书的好坏（目标，标签），只能凭借特征而分类）。
分类（classification）
有监督学习的两大应用之一，产生离散的结果。
例如向模型输入人的各种数据的训练样本，产生“输入一个人的数据，判断是否患有癌症”的结果，结果必定是离散的，只有“是”或“否”。（即有目标和标签，能判断目标特征是属于哪一个类型）
回归（regression）
有监督学习的两大应用之一，产生连续的结果。
例如向模型输入人的各种数据的训练样本，产生“输入一个人的数据，判断此人20年后今后的经济能力”的结果，结果是连续的，往往得到一条回归曲线。当输入自变量不同时，输出的因变量非离散分布（不仅仅是一条线性直线，多项曲线也是回归曲线）。
1，给定一个样本特征 , 我们希望预测其对应的属性值 , 如果 是离散的, 那么这就是一个分类问题，反之，如果 是连续的实数, 这就是一个回归问题。
2，如果给定一组样本特征 , 我们没有对应的属性值 , 而是想发掘这组样本在 二维空间的分布, 比如分析哪些样本靠的更近，哪些样本之间离得很远, 这就是属于聚类问题。
3，如果我们想用维数更低的子空间来表示原来高维的特征空间, 那么这就是降维问题。
标签：因变量 应用 属性 聚类 判断 没有 维数 经济 学生
原文地址：https://www.cnblogs.com/Javame/p/12587775.html
