Day43：监督学习和无监督学习

在前一节中，我们回顾了概率论与统计学的基础知识，并了解了事件与概率、随机变量与概率分布、累计分布、平均值、标准差、方差、分位数、期望、协方差、相关系数和假设检验等概念。这些概念对于机器学习的理解和应用非常重要。

本节我们将进一步介绍机器学习的两个重要分支：监督学习和无监督学习。这两种学习方法具有不同的特点和应用场景。

1. 监督学习

监督学习是一种通过使用已知输入和输出的样本数据进行训练的机器学习方法。它通过构建一个函数来建立输入和输出之间的映射关系，使得模型能够对新的输入进行预测。

特点：

• 监督学习需要标记好的训练数据集，其中包含输入特征和对应的输出标签。
• 常见的监督学习任务包括分类（Classification）和回归（Regression）。
• 监督学习的目标是构建一个泛化能力强的模型，能够对未知数据进行准确预测。

常见的监督学习算法包括线性回归（Linear Regression）、逻辑回归（Logistic Regression）、决策树（Decision Tree）、支持向量机（Support Vector Machine）和深度神经网络（Deep Neural Networks）等。

下面是一个简单的示例，使用线性回归模型来进行房价预测的监督学习任务，线性回归的具体内容我们下节具体讲解，读者可以简单理解一下代码：

import numpy as np
from sklearn.linear_model import LinearRegression

# 输入特征
X = np.array([[80, 86],
              [82, 80],
              [85, 78],
              [90, 90],
              [86, 82],
              [82, 90],