一、典型的学习任务包括：
分类（classification）
回归（regression）
聚类（clustering）
排序（ranking）
密度估计（density estimation）
特征降维（dimensionality reduction）
… …
1.1分类（classification）
基于已知类别标签的样本构成的训练集，学习预测模型；最终预测模型，对新的观测样本，预测相应的输出；预测结果为事先指定的两个或多个类别中的某一个，或预测结果来自数目有限的离散值之一。
两类别 vs.多类别
类别数C=2， 两类别分类（binary classification）
类别数C》2， 多类别分类（multiclass classification）
3.2回归（regression）
回归分析基于已知答案的样本构成的训练集，估计自变量与因变量之间关系的统计过程，进而基于该关系对新的观测产生的输出进行预测，预测输出为连续的实数值
3.3 聚类（clustering）
对给定的数据集进行划分，得到若干“簇”；使得“簇内”样本之间较“簇间”样本之间更为相似。通过聚类得到的可能各簇对应一些潜在的概念结构，聚类是自动为给定的样本赋予标记的过程。
聚类举例
1.4特征降维
将初始的数据高维表示转化为关于样本的低维表示，借助由高维输入空间向低维空间的映射，来简化输入。
– 特征提取，如PCA–高维数据的低维可视化
全部评论