本書介紹
在處理機器學習問題時，通常有兩種型別的資料（和機器學習模型）
監督資料：總是有一個或多個目標與之相關聯。
無監督資料：沒有任何目標變數。
有監督的問題比無監督的問題更容易解決。要求預測一個值的問題被稱為監督問題。例如，如果問題是預測給定歷史房價的房價，比如醫院、學校或超市的存在，到最近的公共交通工具的距離等。是一個有監督的問題。類似地，當我們被提供貓和狗的影象，並且我們預先知道哪些是貓，哪些是狗，並且如果任務是建立預測所提供的影象是貓還是狗的模型，則該問題被認為是被監督的。
文末付本書最新版pdf免費下載地址。
如果目標是一個實數，這個問題被定義為一個迴歸問題。因此，監督問題可以分為兩個子類：
分類：預測一個類別，例如狗或貓。
迴歸：預測一個值，例如房價。必須注意的是，有時我們可能在分類設定中使用迴歸，這取決於用於評估的指標。但我們稍後會談到這一點。機器學習問題的另一種型別是無監督型別。無監督資料集沒有相關的目標，一般來說，與有監督的問題相比，處理起來更具挑戰性。假設你在一家處理信用卡交易的金融公司工作。每秒鐘都有很多資料進來。唯一的問題是，很難找到將每筆交易標記為有效或真實交易或欺詐的人。當我們沒有任何關於交易是欺詐還是真實的資訊時，這個問題就變成了一個無人監管的問題。為了解決這些問題，我們必須考慮資料可以分成多少個簇。聚類是解決這類問題的方法之一，但必須注意的是，還有其他幾種方法可以應用於無監督的問題。對於一個欺詐檢測問題，我們可以說資料可以分為兩類（欺詐或正版）。
本書目錄
本書內容截圖
