1、分类：具有类别标签，将数据集根据分到相应的类别
聚类：没有类别标签，将数据集根据他们的相似度分为不同的簇
2、监督学习：用于学习的数据集都是输入输出数据对，学习的任务是找到输入与输出的对应规则
非监督学习：用于学习的数据集只有输入，学习的任务是对于数据进行分析，找到输出
3、分类与回归：
分类：y是离散的，仅有几个值
回归：y是连续的
4、分类性能度量指标
（1）错误率：在所有的测试样例中，被错分的样例所占的比例
缺点：并不能很好的表达样例如何被分错
（2）混淆矩阵
| 预测结果 | |||
| +1 | -1 | ||
| 真实结果 | +1 | 真正例(TP) | 伪反例（FN） |
| -1 | 伪正例（FP） |
真反例（TN） |
|
正确率（precision）=TP/(TP+FP)：预测为正例的样本中的真正正例的比例
召回率（Recall）=TP/(TP+FN)：预测的正实例占所有正实例的比例，又称为真正类率(True Positive Rate)(TPR)-----敏感度
负正类率(False Positive Rate)(FPR)=FP/(FP+TN):错认为正类的负实例占所有负实例的比例
真负类率（TNR）=TN/(TN+FP)=1-FPR---->特异度
（3）ROC曲线：真值覆盖程度
（待截图）