机器学习基本构成元素。

1.分类与回归

分类（Classification）是指将数据分为不同的类别或标签。 回归（Regression）是指对未知数据的输出进行连续值预测。

无论是分类，还是回归，其本质是一样的，都是对输入做出预测，并且都是监督学习。说白了，就是根据特征，分析输入的内容，判断它的类别，或者预测其值。

二者有什么区别？

1. 输出不同
2. 分类问题输出的是物体所属的类别，回归问题输出的是物体的值。
3. 分类问题输出的值是离散的，回归问题输出的值是连续的。

4. 分类问题输出的值是定性的，回归问题输出的值是定量的。

5. 目的不同

6. 分类的目的是为了寻找决策边界，即分类算法得到是一个决策面，用于对数据集中的数据进行分类。

7. 回归的目的是为了找到最优拟合，通过回归算法得到是一个最优拟合线，这个线条可以最好的接近数据集中的各个点。

8. 结果不同

9. 分类的结果没有逼近，对就是对，错就是错，什么类别就是什么类别，最终结果只有一个。
10. 回归是对真实值的一种逼近预测，值不确定，当预测值与真实值相近时，误差较小时，认为这是一个好的回归。
11. 应用场景不同
12. 分类的应用场景非常广泛，例如判断一幅图片上的动物是一只猫还是一只狗，判断明天天气的阴晴，判断零件的合格与不合格等等。
13. 回归问题通常是用来预测一个值。如预测房价、股票的价格、未来的天气的气温变化情况等等。

2.机器学习的问题构成元素

样本是指数据的特定实例：x。包含了属性和标签。可以简单理解为：y=f(x), x就是属性，y就是标签。 模型定义了属性与标签之间的关系。y=f(x) 就可以理解为一个模型。而学习模型的过程就是训练。训练的目的是确定模型中的参数，测试就是评价这个模型。

如果我们拿到一组只有属性没有标签的样本，那么我们可以利用已有的模型来推理样本的标签。