更多的数据，更多的问题，更好的答案

机器学习算法在数据中发现自然模式，从而产生洞察力，帮助您做出更好的决策和预测。它们每天都被用于在医疗诊断、股票交易、能源负荷预测等方面做出关键决策。例如，媒体网站依靠机器学习筛选数百万个选项，为您推荐歌曲或电影。零售商使用它来了解客户的购买行为。

什么时候应该使用机器学习？

考虑到机器学习时，你有一个复杂的任务或问题涉及大量的数据和大量的变量，但没有现有的公式或方程。例如，如果您需要处理以下情况，机器学习是一个很好的选择：

监督学习

监督机器学习建立一个模型，在存在不确定性的情况下根据证据进行预测。监督学习算法获取一组已知的输入数据和对数据（输出）的已知响应，并训练模型以生成对新数据响应的合理预测。如果您已经知道要预测的输出数据，请使用监督学习。

监督学习使用分类和回归技术来开发机器学习模型.

分类技术预测离散的响应——例如，电子邮件是真实的还是垃圾邮件，肿瘤是癌变的还是良性的。分类模型将输入数据分类。典型的应用包括医学成像、语音识别和信用评分。

如果可以将数据标记，分类或分成特定组或类，请使用分类。例如，用于手写识别的应用程序使用分类来识别字母和数字。在图像处理和计算机视觉中，无监督模式识别这些技术用于目标检测和图像分割。

执行分类的常用算法包括金宝app支持向量机（SVM）,促进和装袋决策树,K最近的邻居,天真的贝叶斯,判别分析,逻辑回归,神经网络.

回归技术预测连续响应——例如，温度的变化或电力需求的波动。典型的应用包括电力负荷预测和算法交易。

如果您使用数据范围或响应的性质是实际数字，请使用回归技术，例如温度或直到设备的失效。

常见的回归算法包括线性模型,非线性模型,正则化,逐步回归,促进和装袋决策树,神经网络,自适应神经模糊学习.

以下是一些关于在有监督和无监督机器学习之间选择的指导原则:

• 选择监督学习如果需要训练模型进行预测，例如，连续变量的未来值，例如温度或股票价格，或分类，则可以从网络摄像头视频片段中识别汽车品牌。
• 选择无监督学习如果您需要探索数据，并希望训练模型以找到良好的内部表示，例如将数据拆分为集群。