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(duì)比較簡(jiǎn)單，機(jī)器只需從輸入數(shù)據(jù)中預(yù)測(cè)合適的模型，并從中計(jì)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(dòng)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(jiǎn)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(duì)難于實(shí)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(gè)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(gè)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(shí)際使用中可能面對(duì)的非均衡分類問題，一旦訓(xùn)練樣本某個(gè)分類的數(shù)據(jù)多于其他分類的數(shù)據(jù)，就會(huì)產(chǎn)生非均衡分類問題。

?