机器学习三大任务类别

一、什么类型的问题适合使用机器学习的方法来处理呢？

• 有充足的训练数据
• 简单的编程无法做到
• 问题的可解决性

场景		描述
分类	二分类	预测结果只有两个离散的值，比如“1/0”，“是/否”
	多分类	预测结果是多个离散的值，比如“A、B、C...”
回归		预测的结果是连续的值，如房价的预测，天气温度的预测等
聚类		将相似的样本归类在一起，如用户画像等

二、分类

1、定义

分类问题：教机器去学习给定的数据，然后将未知的数据分到不同类别中去。

通常包括一个“训练阶段”，用已知的数据来教机器如何进行分类，然后在“测试阶段”的时候，用这个机器来对新的未知数据进行分类。

• 二分类问题：判断一个事情的结果是“男 / 女”、“是 / 否”、“1/0”，这种问题它的结果只有两个互斥且全覆盖的值。
• 多分类问题：预测结果是三个或三个以上情况的。

2、案例1

根据用户 A、B、 C、D 的性别数据，来预测商城其他用户的性别。

三、回归

1、定义

回归问题：预测的结果是连续值。

类比为方程： 给一些自变量 x 和因变量 y 的具体值，拟合成一个方程 y=f(x)。

2、案例1

判断当前某个商品的库存是否足够。

• 判断方式：预测未来该产品的销量，根据预测结果判断库存是否足够。
• 预测原理：通过观察数据发现，某个产品的被搜索次数越多，销量就越高。

一个产品销量的影响因素：

• 折扣的力度
• 用户的评价
• ......

这 n 个特征，总结到一个回归方程里：

销量 = a0 + a1 · 搜索次数 + a2 · 用户评价 + a3 · 折扣力度 + ...

3、案例2

一个房地产经纪人，通过一些房子的各种数据（面积、卧室数量、地理位置等）和实际的售价，就可以“训练”出一个模型。

当给出一个新房子的各种特点后，就可以预测这个房子的售价。

三、聚类

1、定义

• 聚类问题：根据“物以类聚”的原理，将我们给定的样本聚集成不同组的过程。
• 目的：尽可能使属于同一个组里的样本相似，而属于不同组的样本应该足够不相似。

与分类问题不同，进行聚类前并不知道将要划分成几个组，以及是什么样的组，训练数据没有结果，没有标签，完全依靠算法进行聚类。

2、案例1

用户画像：根据用户的年龄、购买频率、购买的商品类别、消费金额等等数据，将相似的用户进行聚类，分成几个不同的组。

假设一个电商平台，有以下几个客户的数据（只展示了三个特性）：

分类结果

• 小组 1：客户 1 和客户 3（年轻，购买频率高，消费金额相对低）
• 小组 2：客户 2、客户 4 和客户 5（年龄偏大，购买频率低，消费金额相对较高或中等）

针对不同的用户进行不同的营销应用：

• 对于小组 1 的用户：推送更多低价、高频的商品。
• 对于小组 2 的用户：推送更多高价、高品质的商品。