监督学习【有标签】
1、分类（Classification）
- 预测的标签是离散值
- 如根据年龄、性别、学历判断这个人的收入水平
2、回归（Regression、Prediction）
- 预测的标签是连续值
- 例如，预测房价时，房价可以是任意的非负实数，它就是一个连续的标签；又如预测股票价格、温度变化、时间序列数据中的下一个值等，这些问题中的标签都是连续的
3、储存方式
特征向量
- 输入实例x为特征向量：
- 多个特征向量组成特征矩阵，其中每一行是一组特征数据，如房屋面积、几室几厅，每平米多少钱等，每一列为一个属性数据，如全部都是房屋面积或全部都是单价。
的上标表示第i个样本的x向量，若为下标，则表示第i维度的值，即第几组特征数据。如
则表示为第一组特征数据中的第2个特征样本数据。- 培训机构的课程质量堪忧，作为零基础小白，实在被绕晕，而且都没讲清楚的情况下，直接跳过不讲了，如下图：
标签
特征向量与标签的关系
- 输入：特征属性X
- 输出：目标值Y
- 获得一个目标函数（target function）：f: X----> Y(理想公式)
- 输入数据：D={(x1,y1),(x2,y2),....,(xn,yn)}(历史记录信息)
- 最终获得具有最优性能的假设公式：g：X---->Y(学习得到的最终公式)
- 拟合：判断构建的算法模型是否符合给定数据的特征
- 过拟合：算法太符合样本数据的特征，对于实际生产却无法拟合
- 欠拟合：算法连样本的特征数据都不符合
