@[TOC](內建學習(上)——task1 機器學習中的三大任務)
前言
機器學習的主要的目标就是用數學模型來了解資料，發現資料中的規律，通過發現發現的規律用作資料的分析和預測；
根據資料集是否有因變量，機器學習的任務主要是可以分為:有監督學習和無監督學習
其中有監督學習主要是分為: 回歸和分類
一、回歸
機器學習中主要的庫就是sklearn，可以直接用過改庫下載下傳資料，并且将資料輸入到pandas的DataFrame中，可以對資料進行分析
代碼如下：
from sklearn import datasets
import pandas as pd
boston = datasets.load_boston() # 傳回一個類似于字典的類
X = boston.data
y = boston.target
features = boston.feature_names
boston_data = pd.DataFrame(X,columns=features)
boston_data["Price"] = y
boston_data.head()
代碼中通過:
datasets.load_boston()方法導入波士頓房價的資料(經典的預測問題)，可以從資料的可視化中看出，最後就是本資料的因變量(波士頓房價Price)，是以本問題屬于的是一個回歸問題，同時也是有監督問題。
二、分類
代碼如下（示例）：
from sklearn import datasets
iris = datasets.load_iris()
X = iris.data
y = iris.target
features = iris.feature_names
iris_data = pd.DataFrame(X,columns=features)
iris_data['target'] = y
iris_data.head()
通過DataFrame中的head()函數，可以看資料的最後一清單示的target也就是該樣本所屬的類别，同時通過資料可視化可以看出圖中的資料主要分為三類，類别2和3之間的分類界限是十分不明顯的。
三、無監督學習
在無監督學習中，我們往往隻有特征資料而沒有相對應的标簽，是以我們在學習過程需要發現資料内在的規律，進而将其轉換成我們熟悉的學習模式。
在本節需要着重了解下的就是生成無監督學習的相關sklearn的函數：
https://scikit-learn.org/stable/modules/classes.html?highlight=datasets#module-sklearn.datasets
總結
其實總體來說有監督學習和無監督學習，可以簡化為是否含有給定的标簽。
是以監督學習：在模型的疊代過程中，通過将模型的預測值和真實值進行比較，運用不同的評價函數，将預測值和真實值之間的差距回報給模型，使得模型在疊代過程中不斷的自我調整，最終輸出我們預想的值，也就是模型的發展是我們的監督之下的。
無監督學習：無監督學習由于缺乏對應的标簽，是以模型在疊代過程中自由發展和探索資料樣本之間内在的規律。