之前的文章我们了解了什么是监督学习，什么是非监督学习，此篇文章将会针对监督学习中的回归与分类问题进行简单介绍。

举个监督学习的例子：房价预测，我现在有一堆房价的数据，把这些数据画出来，看起来如下图这个样子：横轴表示房子的面积，单位是平方英尺，纵轴表示房价。

那基于这组数据，假如你有一个朋友，他有一套750平方英尺房子，现在他希望把房子卖掉，他想知道这房子能卖多少钱。那么关于这个问题，机器学习算法将会怎么帮助你呢？

我们设计一个算法，给学习算法一个数据集。这个数据集由“正确答案”组成。如上房价的例子，我们给出一系列房子的数据，对应每个房子，我们给定数据集中每个样本的正确价格，即它们实际的售价然后运用学习算法，算出更多的正确答案，比如你朋友那个新房子的价格。用术语来讲，这叫做回归问题。根据不同的特征，如房子大小，我们试着推测出一个连续值的结果，即房子的价格。回归这个词的意思是，我们在试着推测出这一系列连续值属性。

我们再举另外一个监督学习的例子。假设说你想通过查看病历来推测乳腺癌良性与否，假如有人检测出乳腺肿瘤，恶性肿瘤有害并且十分危险，而良性的肿瘤危害就没那么大。

让我们来看一组数据：这个数据集中，横轴表示肿瘤的大小，纵轴上，我标出1和0表示是或者不是恶性肿瘤。我们之前见过的肿瘤，如果是恶性则记为1，不是恶性，或者说良性记为0，如下图。

我有 5 个良性肿瘤样本，在1的位置有5个恶性肿瘤样本。现在有一个朋友很不幸检查出乳腺肿瘤。假设说她的肿瘤大概这么大，那么机器学习的问题就在于，你能否估算出肿瘤是恶性的或是良性的概率。用术语来讲，这就是一个分类问题。分类指的是，我们试着推测出离散的输出值：0或1良性或恶性。而事实上在分类问题中，输出可能不止两个值。比如说可能有三种乳腺癌，所以你希望预测离散输出 0、1、2、 3。0 代表良性，1表示第1类乳腺癌，2表示第2类癌症，3表示第3类，但这也是分类问题。

以上简单介绍了监督学习中的回归与分类问题，通过已知数据，便可对未知数据进行预测，他们在机器学习中的应用非常广泛，通过这篇文章的简单介绍，希望大家对监督学习有更具体的了解。

参考资料：

    吴恩达机器学习系列课程