機器學習中的監督學習模型的任務重點在於，根據已有經驗知識對未知樣本的目標/標記進行**。
主要涉及方法：
分類學習與回歸**
基本框架和流程
1. 首先準備訓練資料，可以使文字、影象、音訊等
2. 抽取所需要的特徵，形成特徵向量（feature vectors）
3. 把這些特徵向量連同對應的標記？目標（labels） 一併送入學習演算法（machine learning algorithm）訓練出乙個**模型（predictive model）
4. 採用同樣的特徵抽取方法作用與新測試資料，得到用於測試的向量；
5. 使用**模型對這些待測試向量進行**並得到結果（expected label）。
分類學習：
分類學習是最常見的監督學習問題，並且其中的經典模型也是最為廣泛的被應用。
其中最基礎的便是二分類（binary classification）問題,即判斷是與非，從兩個類別中選擇乙個作為**結果；還有多類分類（multiclass classification）的問題，即 在多餘兩分類之中選擇乙個，還有多標籤分類（multi-label classification）問題。
線性分類器：
機器學習筆記 3 監督學習
在監督學習中，我們得到了乙個資料集並且已經知道正確輸出應該是什麼樣的，我們有乙個想法 輸入和輸出存在一種關係。監督學習問題分為 回歸 和 分類 兩類問題。在回歸問題中，我們嘗試 有連續輸出的結果，這意味著我們嘗試去把輸入變數對映成一些連續函式。在分類問題中，我們而是要 一些不相關的輸出的結果。換句話...
機器學習筆記 監督學習，無監督學習，半監督學習
這個問題可以回答得很簡單 是否有監督 supervised 就看輸入資料是否有標籤 label 輸入資料有標籤，則為有監督學習，沒標籤則為無監督學習。什麼是學習 learning 學習 乙個成語就可概括 舉一反三。此處以高考為例，高考的題目在上考場前我們未必做過，但在高中三年我們做過很多很多題目，懂...
機器學習日記 監督學習 無監督學習
監督學習是指 利用一組已知類別的樣本調整 分類器的 引數，使其達到所要求效能的過程，也稱為 監督訓練或有教師學習。無監督學習 現實生活中常常會有這樣的問題 缺乏足夠的 先驗知識 因此難以人工標註類別或進行人工類別標註的成本太高。很自然地，我們希望計算機能代我們完成這些工作，或至少提供一些幫助。根據類...