從這篇隨筆開始是觀看斯坦福大學（吳恩達）機器學習課程，個人覺得課程講的非常棒，也很容易理解，特此總結知識點筆記。筆記如下：

我們應用學習算法，可以在這組數據中畫一條直線，或者換句話說，擬合一條直線，根 據這條線我們可以推測出，這套房子可能賣$150, 000，當然這不是唯一的算法。可能還有更 好的，比如我們不用直線擬合這些數據，用二次方程去擬合可能效果會更好。根據二次方程 的曲線，我們可以從這個點推測出，這套房子能賣接近$200, 000。稍後我們將討論如何選擇 學習算法，如何決定用直線還是二次方程來擬合。兩個方案中有一個能讓你朋友的房子出售 得更合理。這些都是學習算法裏面很好的例子。以上就是監督學習的例子。

可以看出，監督學習指的就是我們給學習算法一個數據集。這個數據集由“正確答案” 組成。在房價的例子中，我們給了一系列房子的數據，我們給定數據集中每個樣本的正確價 格，即它們實際的售價然後運用學習算法，算出更多的正確答案。比如你朋友那個新房子的價格。用術語來講，這叫做回歸問題。我們試著推測出一個連續值的結果，即房子的價格。 一般房子的價格會記到美分，所以房價實際上是一系列離散的值，但是我們通常又把房價看 成實數，看成是標量，所以又把它看成一個連續的數值。

回歸這個詞的意思是，我們在試著推測出這一系列連續值屬性。

讓我們來看一組數據:這個數據集中，橫軸表示腫瘤的大小，縱軸上，我標出 1 和 0 表 示是或者不是惡性腫瘤。我們之前見過的腫瘤，如果是惡性則記為 1 ，不是惡性，或者說良 性記為 0。

我有 5 個良性腫瘤樣本，在 1 的位置有 5 個惡性腫瘤樣本。現在我們有一個朋友很不幸 檢查出乳腺腫瘤。假設說她的腫瘤大概這麽大，那麽機器學習的問題就在於，你能否估算出腫瘤是惡性的或是良性的概率。用術語來講，這是一個分類問題。

分類指的是，我們試著推測出離散的輸出值:0 或 1 良性或惡性，而事實上在分類問題 中，輸出可能不止兩個值。比如說可能有三種乳腺癌，所以你希望預測離散輸出 0、1、2、 3。0 代表良性，1 表示第一類乳腺癌，2 表示第二類癌癥，3 表示第三類，但這也是分類問題。

總結一下，其基本思想是，我們數據集中的每個樣 本都有相應的“正確答案”（或者說人工給數據集標記標簽），再根據這些樣本作出預測，就像房子和腫瘤的例子中做的那樣的學習算法叫做監督學習； 還介紹了回歸問題，即通過回歸來推出一個連續的輸出，之後我們介紹了分類問題，其目標是推出一組離散的結果。

機器學習知識點01-監督學習