吴恩达 机器学习知识点笔记
作者：互联网
1-3监督学习：
回归问题（样例）：
监督学习是指我们给算法一个数据集，其中包含了正确答案，也就是说我们给它一个房价数据集，在这个数据集中的每个样本，我们都会给出正确的价格，即这个房子实际卖价，算法的目的给出更多的正确答案，例如为你朋友想要卖掉的这所房子给出估价，它也被成为回归问题（Regression）
这里的回归问题指的是我们想要预测连续的数值输出，跟就这个题目，也就是价格，技术上来说价格可以被很精确的表出，比如精确到分，因此价格实际上是一个离散值，但通常我们认为房价是一个实数，标量或是连续值。回归这个术语是指我们设法预测连续值的属性
分类（样例）：
在分类问题中，有时也可以有两个以上的可能的输出值，在实际例子中就是可能有三种类型的乳腺癌，因此我们可能要想尽办法预测离散值0 ,1, 2, 3.其中0是良性的，1是指第一种类型的癌症，以此类推，这也是一个分类问题，因为这是一组离散的输出值，对应没有癌症和癌症1癌症2癌症3，在分类问题中，有另一种方法来绘制这些数据，用一组不同的符号来绘制这组数据，在这个样例中，如果肿瘤的大小是我用来，预测恶性和良性的特征 ，用O来代表良性，X代表恶性
在这个例子中我们只用了一个特征值或者说属性，即肿瘤的大小，来进行预测肿瘤是恶性的还是良性的，在其他的机器学习中，我们会有多个特征，多个属性，列子如下
在给定的数据集上，学习算法能做的，就是在数据上画出一条直线，设法将良性瘤和恶性瘤分开，学习算法可能会这样画出一道线，来判断你朋友的肿瘤类型，在这个例子中有了两个特征，年龄和大小，还有其他的特征即肿瘤的厚度，肿瘤细胞大小的活性，肿瘤细胞大小的均称性和其他的特征
假如我们想要的不是使用三个还是五个特征值，而是想用无穷多的特征，因此我们的学习算法有很多的属性或者特征线索来做预测，问题被提出 1如何在计算机中存储无穷多数量的事物，计算机内存可能会溢出，以支持向量机算法为例，允许计算机处理无穷多的特征，假设我写下无穷长的例表，无限的特征，这种情况可以被解决。
概括（总述）
监督学习我认为可能重在预测，在预测之前，已经有了成功的样例和失败的样例 ，在成功和失败的样例中寻找规律，当给出一个测试样例时，可以给出预测，让预测结果更加的接近正确答案
分类：预测离散值（0或者1）多种情况
回归：房价类似连续值
Question: 
正确答案C
1-4无监督学习：
监督学习样例 无监督学习样例
无监督学习没有任何标签，都具有相同的标签或者都没有标签，我们得到一个数据集的时候，我们不知道要拿它来做什么，也不知道每个数据点究竟是什么，我们只知道这是一个数据集，对于给定的数据集，无监督学习可能判定，该数据集博阿寒两个不同的簇，这就是聚类算法，实际上他被用在许多地方。应用聚类算法的例子就是谷歌新闻（如图）
当我们点击新闻时可能会得到新的新闻，比如报道一篇石油泄漏（CNN）,在我们观看新闻时，该网站又会推荐给我们一些其他的报道（来自卫报），诸如此类，都是聚类算法的 效果，谷歌所做的去搜索成千上万的新闻，然后自动地将他们分簇，将有关的新闻显示在一起。无监督学习和聚类还有很多的用处。因为我们没有将数据集的正确答案给算法，所以这就是无监督学习。
无监督学习或聚类算法在其他邻域也有大量的应用,1它被用来组织大型的计算机集群并试图找出那些机器趋于协同工作，把趋于协同的机器放在一起，可以让你的数据中心更高效的工作2社交网络分析3市场划分4天文数据分析
吴恩达说：“使用Octave Matlab这类工具许多复杂的代码几行就能实现”
Question:
正确答案BC(无监督学习） AD（有监督学习）
标签：知识点,吴恩达,预测,样例,监督,笔记,学习,算法,数据 来源： https://blog.csdn.net/qq_43603281/article/details/122506921