開學有兩個禮拜了，在經歷了體檢、選課、見導師等一系列活動之后，我的研究生生活總算是要開始了。我準備在量子物理的學習之外，學習一些機器學習的知識，不管是為了什么，學就是了。

主要參考書籍：周志華《機器學習》

學習篇（一）分類、回歸和聚類

首先，來一個基礎的類別分析：
分類和回歸是屬于監督學習（Supervised learning）的，而聚類則是屬于無監督學習（Unsupervised learning）。

其次，進行細致的學習：

1.分類（Classification）和回歸（Regression）

判斷一個人是否患有癌癥，是一個分類問題;
輸入一個人的數據，判斷他20年后的經濟能力，是一個回歸問題。

分類和回歸是屬于監督學習（Supervised learning）的兩大應用。

分類針對離散值，學習結果產生幾個函數，通過函數劃分為幾個集合。
（常見的應用：郵件過濾，客戶評級，醫療診斷等）

常見方法：后面補充

回歸針對連續值，學習結果產生幾個函數，通過函數產生連續的結果。
（常見的應用：等）

常見方法：后面補充

2.聚類（clustering）

若將168，169和120在沒有任何參考標準的情況下分成兩類，機器學習應該會將168和169分為一類，而120是單獨的一類。因為前兩者之間的距離為1，而與120的距離分別是48和49，這就是一個聚類問題。

聚類是屬于無監督學習（Unsupervised learning）的應用。

聚類，學習結果將產生幾個集合，集合中的元素彼此相似。

聚類有點類似分類，分類預先知道結果屬性的范圍，而聚類不知道結果屬性的范圍。
（常見的應用：細分客戶，文章推薦，等）

常見方法：K-means（K均值法），GMM（高斯混合模型）

集合內部的元素間具有較高的相似度，相似度的衡量可以通過歐幾里得距離、概率距離、加權重距離計算。

總結

以上是生活随笔為你收集整理的分类、回归和聚类辨析的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。