机器学习 01：序

监督学习

本节内容介绍可能是最常见一种机器学习问题：那就是监督学习。在正式定义监督学习之前，我们先看一个例子：

Fig 1.1 : 全国商品房平均价格

图 1.1 展示了 20 年来中国商品房平均价格，这些数据是从国家统计局的网站中搜集来的。横轴表示年份，纵轴表示每平米房价。现在我想预测 2030 年的房价是多少，我们该怎样解决这样的问题？

我们应用学习算法，可以在这组数据中画一条直线，或者换句话说，拟合一条直线，根据这条线我们可以推测出 2030 年的平均房价约为 13000 左右，当然这不是唯一的算法。可能还有更好的，比如我们不用直线拟合这些数据，用二次方程去拟合可能效果会更好。根据二次方程的曲线，我们可以从这个点推测出，2030 年的平均房价为 16400 左右。稍后我们将讨论如何选择学习算法，如何决定用直线还是二次方程来拟合。这些都是学习算法里面很好的例子。以上就是监督学习的例子。

可以看出，监督学习指的就是我们给学习算法一个数据集。这个数据集由“正确答案”组成。在房价的例子
中，我们给了一系列价的数据，我们给定数据集中每个样本的正确价格，即它们实际的售价然后运用学习算法，算出更多的正确答案。用术语来讲，这叫做回归问题。我们试着推测出一个连续值的结果，即房子的价格。回归这个词的意思是，我们在试着推测出这一系列连续值属性。

我们再举另外一个监督学习的例子。图 1.2 展示了不同类型的鸢尾花的花瓣长度和花瓣宽度的关系。如果我现在有了一组新的鸢尾花的数据，它最有可能是哪一种类型的鸢尾花？这种问题叫做分类，与上一问题不同之处在于：尽管都是预测，但回归是推出一个连续的输出，而分类是推出一组离散的结果。

Fig 1.2 : 不同类型的鸢尾花

无监督学习

上一节介绍了监督学习，以图 1.2 为例，数据集给出了三种类型的鸢尾花的明确数据并做了标注，也就是数据集给出了正确答案，每个点对应何种类型的鸢尾花。

Fig 1.3 : 不同类型的鸢尾花 (无标记)

现在我们仍然给出鸢尾花的数据 (图 1.3)，但是不同的是，这一次没有任何的标注。所以我们已知数据集，却不知如何处理，也未告知每个数据点是什么。别的都不知道，就是一个数据集。你能从数据中找到某种结构吗？针对数据集，无监督学习就能判断出数据有三个个不同的聚集簇。这是一个，这也是一个，那是另一个，三者不同。是的，无监督学习算法可能会把这些数据分成三个不同的簇。所以叫做聚类算法。