本書前兩部分主要探討監(jiān)督學(xué)習(xí)（supervised learning）。在監(jiān)督學(xué)習(xí)的過程中，我們只需要給定輸入樣本集，機(jī)器就可以從中推演出指定目標(biāo)變量的可能結(jié)果。監(jiān)督學(xué)習(xí)相對比較簡單，機(jī)器只需從輸入數(shù)據(jù)中預(yù)測合適的模型，并從中計算出目標(biāo)變量的結(jié)果。

　　監(jiān)督學(xué)習(xí)一般使用兩種類型的目標(biāo)變量：標(biāo)稱型和數(shù)值型。標(biāo)稱型目標(biāo)變量的結(jié)果只在有限目標(biāo)集中取值，如真與假、動物分類集合{爬行類、魚類、哺乳類、兩棲類、植物、真菌}；數(shù)值型目標(biāo)變量則可以從無限的數(shù)值集合中取值，如0.100、42.001、1000.743等。數(shù)值型目標(biāo)變量主要用于回歸分析，將在本書的第二部分研究，第一部分主要介紹分類。

　　本書的前七章主要研究分類算法，第2章講述最簡單的分類算法：k-近鄰算法，它使用距離矩陣進(jìn)行分類；第3章引入了決策樹，它比較直觀，容易理解，但是相對難于實現(xiàn)；第4章將討論如何使用概率論建立分類器；第5章將討論Logistic回歸，如何使用最優(yōu)參數(shù)正確地分類原始數(shù)據(jù)，在搜索最優(yōu)參數(shù)的過程中，將使用幾個經(jīng)常用到的優(yōu)化算法；第6章介紹了非常流行的支持向量機(jī)；第一部分最后的第7章將介紹元算法—AdaBoost，它由若干個分類器構(gòu)成，此外還總結(jié)了第一部分探討的分類算法在實際使用中可能面對的非均衡分類問題，一旦訓(xùn)練樣本某個分類的數(shù)據(jù)多于其他分類的數(shù)據(jù)，就會產(chǎn)生非均衡分類問題。

?