机器学习的主要任务

分类和回归
分类的主要任务是将实例数据分到合适的分类中。
回归主要用于预测数值型数据，比如说数据拟合曲线：通过给定数据点的最优拟合曲线。
分类和回归属于监督学习，之所以称之为监督学习，是因为这类算法必须知道预测什么，即目标变量的分类信息。

非监督学习
与监督学习相对应的是非监督学习，此时数据没有类别信息，也不会给定目标值。在非监督学习中，将数据集合分成由类似的对象组成的多个类的过程称为聚类；将寻找描述数据统计值的过程称之为密度估计。此外，非监督学习还可以减少数据特征的维度，以便我们可以使用二维或三维图形更加直观的展示数据信息。

监督学习的用途：

朴素贝叶斯算法	局部加权线性回归
k-临近算法	线性回归
支持向量机	Ridge回归
决策树	Lasso最小回归系数估计

无监督学习的用途：

k-均值	最大期望算法
DBSCAN	Parzen窗设计