（DataWhale组队学习）集成学习之机器学习基础——机器学习三大主要任务

有监督学习和无监督学习的区别

有监督学习：对具有标记的训练样本进行学习，以尽可能对训练样本集外的数据进行分类预测。
常用的方法有线性回归（LR），支持向量机（SVM），置信度传播（BP），随机森林（RF），梯度提升迭代决策树（ GBDT）
无监督学习：对未标记的样本进行训练学习，并发现这些样本中的结构知识。
常用方法K均值聚类（KMeans），深度学习 (DL)。

回归和分类（有监督学习）

回归：因变量是连续型变量，如：房价，体重等。
分类：因变量是离散型变量，如：是否患癌症，西瓜是好瓜还是坏瓜等。

分类与回归的区别：
本质都是对输入做出预测，并且都是监督学习。
1）分类问题输出的是物体所属的类别，是离散的、定性的。回归问题输出的是物体的值，是连续的、定量的。
2）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。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。
3）本质上损失函数不同。
4）分类非黑即白，最终结果只有一个。回归是一种逼近预测，当预测值与真实值相近时，误差较小时，是一个好的回归。

参考资料：

DataWhale集成学习资料：只需看1.1, 1.2, 1.3部分
有监督学习和无监督学习的区别
【机器学习小常识】“分类” 与 “回归”的概念及区别详解