情景一

假設你想預測房價, 你朋友的房子面積是750，你想知道這房子能賣多少錢，機器學習演算法如何做到這一點呢？

  橫座標：房子的面積
  縱座標：房子的價格，單位是1000$

方法一：
擬合出一條直線，使其儘量匹配到所有資料，然後用這條直線的方程預測房價。
方法二：
擬合出一條曲線，使其儘量匹配到所有資料，然後用這條曲線的方程預測房價。

定義：
預測連續值的監督學習稱為迴歸：在已知正確答案的資料集中找到規律，幫助預測更多的正確答案。

情景二:

假設現在我們想預測腫瘤是惡性腫瘤還是良性腫瘤: 有個人不幸得了腫瘤，現在我們要預測他的腫瘤是良性的還是惡性的。

縱軸：1表示惡性腫瘤，0表示良性腫瘤
橫軸：腫瘤的大小

定義：
預測離散值的監督學習稱為分類：在已知正確答案的資料集中找到規律，幫助預測更多的正確答案。

補充：
1. 分類問題的另外一種表現形式，利用不同的形狀表示，而不是0，1這樣的標籤。

2. 現實中可能不只是二分類問題，而是多分類的問題，例如惡性腫瘤的進一步細分-1號惡性，2號惡性，3號惡性
3. 現實中往往有兩個特徵，而不僅僅是腫瘤大小一項，已知病人年齡和腫瘤大小，而機器學習要做的任務就是在惡性和良性腫瘤之間找到一條線，將它們區分開來。如下

4. 還可能會涵蓋更多的特徵: 例如腫瘤厚度，腫瘤細胞大小和形狀的一致性等等, 而我們一般用到的學習演算法能夠處理無窮多個特徵。那麼問題來了，在特徵無窮增長的情況下，我們如果處理記憶體不足的問題呢？後面我們會講到支援向量機這一演算法，能夠很好的解決多特徵機器學習的問題。\

總結：

監督學習： 對於資料集中的每個資料，已知其正確答案，演算法會基於已經存在的樣本進行學習，發現規律。
迴歸：預測連續值的監督學習
分類：預測離散值的監督學習

小測驗：

請問以下問題，哪些是分類問題，哪些是迴歸問題？
問題一: 你有一堆貨物的清單，你想預測接下里有多少貨物會賣出。迴歸問題

問題二: 你想讓計算機檢測使用者的賬戶是否被盜竊。分類問題