更多数据，更多问题，更好的答案

机器学习算法在数据中找到了生成洞察力的自然模式，并帮助您做出更好的决策和预测。它们每天都使用，以在医学诊断，股票交易，能量负荷预测等中做出关键决策。例如，媒体网站依赖机器学习筛选数百万选项以提供歌曲或电影建议。零售商使用它来深入了解客户的购买行为。

你什么时候应该使用机器学习？

考虑使用机器学习，当您有一个复杂的任务或涉及大量数据和大量变量的问题，但没有现有公式或等式。例如，如果您需要处理这样的情况，机器学习是一个很好的选择：

监督学习

监督机器学习构建一个基于不确定性存在的证据的模型。监督学习算法采用已知的输入数据集和已知对数据（输出）的响应，并列举模型以产生对新数据的响应的合理预测。如果您已经尝试预测的输出数据，请使用监督学习。

监督学习使用分类和回归技术来发展机器学习模型。

分类技术预测离散的响应 - 例如，电子邮件是否是真实的或垃圾邮件，或肿瘤是癌症还是良性。分类模型将输入数据分类为类别。典型应用包括医学成像，语音识别和信用评分。

如果您的数据可以被标记、分类或分成特定的组或类，请使用分类。例如，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，无监督的模式识别技术用于对象检测和图像分割。

用于执行分类的常见算法包括金宝app支持向量机（SVM）那提升和袋装决策树那K.-最近的邻居那天真贝父那判别分析那物流回归， 和神经网络。

回归技巧预测连续响应 - 例如，电力需求中的温度或波动变化。典型应用包括电力负荷预测和算法交易。

如果您正在处理一个数据范围，或者您的响应性质是一个实数，如温度或某件设备故障前的时间，请使用回归技术。

常见的回归算法包括线性模型那非线性模型那正则化那逐步回归那提升和袋装决策树那神经网络， 和适应性神经模糊学习。

以下是在监督和无监督机器学习之间选择的一些指导方针：

• 选择监督学习如果您需要培训模型来制作预测 - 例如，连续变量的未来值，例如温度或股票价格，或分类 - 例如，从网络摄像头视频镜头识别汽车的制作。
• 选择无人监督的学习如果您需要探索数据并希望培训模型以找到良好的内部表示，例如将数据拆分为集群。