ML_01(监督学习，无监督学习，强化学习)

用监督学习进行预测

监督学习的主要目标是从有标签的训练数据中学习模型，以便对未知或者未来的数据进行预测。
带有离散分类标签的监督学习任务也被称为分类任务，监督学习的另一个子类被称为回归，其结果信号是连续的数值。

用于预测类标签的分类

分类是监督学习的一个分支，其目的是根据过去的观测结果来预测新样本的分类标签。
分类标签可以有两个或多个，被称为*二元分类任务和多类分类任务**。

用于预测连续结果的回归

回归分析是对连续结果的预测，回归分析包括一些预测变量和一个连续的响应变量，试图寻找那些变量之间的关系，从而能够让我们预测结果。

用强化学习解决交互问题

强化学习的目标是开发一个系统，通过与环境的交互来提高其性能。
当前环境状态的信息通常包含所谓的奖励信号，可以把强化学习看作一个与监督学习相关的领域。然而强化学习的反馈并非标定过的正确标签或数值，而是奖励函数对行动度量的结果。

用无监督学习发现隐藏的结构

监督学习训练模型时，事先知道正确的答案；在强化学习的过程中，定义了智能体对特定行动的奖励。然而，无监督学习处理的是无标签或结构未知的数据。
无监督学习可以在没有已知结果变量或奖励函数的指导下，探索数据结构来提取有意义的信息。

用聚类寻找子群

聚类是探索性的数据分析技术，可以在事先不了解成员关系的情况下，将信息分成有意义的子群。聚类也可以被称为无监督分类

通过降维压缩数据

无监督学习的另一个子类是降维。
无监督降维是特征预处理中一种常用的数据去噪方法，不仅可以降低某些算法对预测性能的要求，而且可以在保留大部分相关信息的同时将数据压缩到较小维数的子空间上。