情景一
假设你想预测房价, 你朋友的房子面积是750，你想知道这房子能卖多少钱，机器学习算法如何做到这一点呢？
横坐标：房子的面积
纵坐标：房子的价格，单位是1000$
方法一：
拟合出一条直线，使其尽量匹配到所有数据，然后用这条直线的方程预测房价。
方法二：
拟合出一条曲线，使其尽量匹配到所有数据，然后用这条曲线的方程预测房价。
定义：
预测连续值的监督学习称为回归：在已知正确答案的数据集中找到规律，帮助预测更多的正确答案。
情景二:
假设现在我们想预测肿瘤是恶性肿瘤还是良性肿瘤: 有个人不幸得了肿瘤，现在我们要预测他的肿瘤是良性的还是恶性的。
纵轴：1表示恶性肿瘤，0表示良性肿瘤
横轴：肿瘤的大小
定义：
预测离散值的监督学习称为分类：在已知正确答案的数据集中找到规律，帮助预测更多的正确答案。
补充：
1. 分类问题的另外一种表现形式，利用不同的形状表示，而不是0，1这样的标签。
2. 现实中可能不只是二分类问题，而是多分类的问题，例如恶性肿瘤的进一步细分-1号恶性，2号恶性，3号恶性
3. 现实中往往有两个特征，而不仅仅是肿瘤大小一项，已知病人年龄和肿瘤大小，而机器学习要做的任务就是在恶性和良性肿瘤之间找到一条线，将它们区分开来。如下
4. 还可能会涵盖更多的特征: 例如肿瘤厚度，肿瘤细胞大小和形状的一致性等等, 而我们一般用到的学习算法能够处理无穷多个特征。那么问题来了，在特征无穷增长的情况下，我们如果处理内存不足的问题呢？后面我们会讲到支持向量机这一算法，能够很好的解决多特征机器学习的问题。\
扫描二维码关注公众号，回复：
3910737 查看本文章
总结：
监督学习： 对于数据集中的每个数据，已知其正确答案，算法会基于已经存在的样本进行学习，发现规律。
回归：预测连续值的监督学习
分类：预测离散值的监督学习
小测验：
请问以下问题，哪些是分类问题，哪些是回归问题？
问题一: 你有一堆货物的清单，你想预测接下里有多少货物会卖出。回归问题
问题二: 你想让计算机检测用户的账户是否被盗窃。分类问题