2.1　有监督和无监督学习

机器学习的算法可以大致分为三类，即有监督学习、无监督学习和强化学习。有监督学习是从大量带有标签的数据中进行的学习，而无监督学习是从不带有标签的数据中进行的学习，强化学习是根据环境和奖惩，通过不断尝试，从错误中学习到规律。

有监督学习是机器通过某种学习算法，从大量带有标签的数据中学习到某种规则，训练出一个模型，在面对新数据的时候，该模型可以根据输入得到相应的输出结果。有监督学习常用于分类和回归任务，其数据由输入（属性）和输出（标签）两部分组成，如果输出结果是离散值，则为分类任务，如果输出结果是连续值，则为回归任务。

无监督学习是机器在大量没有标签的数据中进行的学习，让一些具有共同特征的数据聚在一起，常用于聚类、离群点检测和降维等任务。常用的无监督算法有k平均、谱聚类等。

有监督学习和无监督学习有不同的应用条件和场景。有监督学习需要带有标签的训练集和测试样本集，在训练集中寻找规律，得到模型，再通过测试样本集检测该模型是否可用。无监督学习没有训练集，在整个数据集中寻找规律。从应用层面来说，有监督学习是具有更好正确性的学习方法，但是对数据的要求较高，需要大量带有标签的数据，而给数据打标签是一个效率比较低的过程，因此在更多难以获得符合要求数据的场景下，无监督学习是更好的方法，并且无监督学习还有其他用途，如主成分分析有数据降维的作用。但是由于无监督学习没有标签，其正确性往往较低。具体应用的时候应当根据具体情况选择合适的学习方法。