2.1.2 机器学习的分类和应用

机器学习模型可以分为有监督学习模型和无监督学习模型。上一节介绍的模型就是有监督学习模型，它有一个标签（label）。无监督学习模型则是指其训练数据是没有标签的。聚类就是一种典型的无监督学习模型。聚类是按照样本本身的一些性质，把特征相同的那些样本聚集在一起。实际上，在聚集完成后，我们不知道都是什么类，而且在聚集之初，我们也完全不知道聚集的结果是什么样子。有监督学习模型可以分成两个部分，一个是分类模型，另一个是回归模型。这两个模型的区别主要在于预测结果是连续的还是离散的。回归模型的输出结果是一个连续值，也许是3250，也许是2780，总而言之是一个范围内的任意值。而分类模型的预测结果是几个有限的离散值中的一个，如垃圾邮件过滤器就是一个分类模型。每收到一封邮件后，垃圾邮件过滤器就会给该邮件打一个标签，即要么是垃圾邮件，要么不是垃圾邮件，不可能是第三种。所以垃圾邮件过滤器的输出是有限个。

另外，线性回归、逻辑回归、决策树、支持向量机、朴素贝叶斯等属于有监督模型的范畴；而k均值聚类和谱聚类等则是无监督模型。当然机器学习模型还有很多，这里只是举几个例子。

机器学习的应用领域非常广泛。例如，在金融领域有一个专有名词Fintech，指的是将以前很多人工的工作通过机器学习模型来自动化完成，常用于风控、风险评估、贷款评估等。这些工作现在在北美已经大规模采用机器学习模型来做了，国内的普及度相对较低，但是近些年来国内金融业发展迅速，未来自动化的工作会越来越多。除此之外，数据挖掘、电商的各种推荐系统（包括用户画像），还有工业界的异常检测等，都是机器学习的重要应用领域。