下载掌阅APP，畅读海量书库
立即打开
机器学习主要解决三大问题：分类问题，如识别物体、评价事物、对事物进行分类；回归问题，如预测数值；聚类问题，如自动归类等。一些看似“高大上”的应用，本质上都属于上述三大问题之一。下面结合具体实例，讲解三大问题的含义。
分类问题的回答通常是一个离散型的变量。例如，在物体检测中，需要回答有与没有；在评价事物时，将其分为三六九等；在检测人是否患病时，回答是与不是。分类问题区别于聚类问题，它是根据已知的分类来分类的。后者则不然，聚类时通过相似性自动将数据聚合成类。
区别于输出离散型结果的分类问题，回归问题是指预测或估算数值型因变量的问题。例如，根据房屋的特征（面积、位置等）来预测其市场价格；根据历史销售数据和市场趋势预测未来的销售额；根据历史天气数据和当前气象条件来预测未来的气温、降水量等，我们称这种输出为数值型变量的问题为回归问题。
同样是划分类别，区别于分类问题，聚类问题在问题之初没有事先给定类别。聚类算法依靠计算机通过计算数据之间的相似性，自动将相近的数据划分为同一类。例如，我们在清理手机中的垃圾数据时，通常会推荐重复的照片、截图或者看起来非常相似的图片，让用户判断是否需要删除，这就是聚类的应用。聚类是在没有任何已知信息的前提下，计算机根据数据相似性自主学习，将物体聚为多类的任务。应该说，分类问题是一种监督学习（见1.3节），而聚类则属于无监督学习。