请注意这些特征衡量的是您的潜在客户对您

[account_disabled]

的建议的兴趣程度。你已经有票了。特点。现在我们去出口吧。我们可以通过某种方式调查用户样本。根据他们的回答我们可以将这些潜在客户分为三组低的一半高的关于购买您的服务或产品的可能性的低、中、高。你刚刚从出口得到信息。三组定性变量（也可以称为类）我们缺少什么学习机或预测算法。利用您可能拥有的客户端的输入和输出数据您将使用它们来训练数学机器。我们要做的就像本文中的回归示例一样。或者这个其他的逻辑回归示例。当模型经过训练（即计算）后您可以将其用作预测工具。看这张图片机器学习的两个监督算法步骤您现在可以将其与新数据一起使用。



您将能够检测哪些用户最有可能向您购买。您将能够预测输出变量相关新用户是否更有可能属于低、中或高组。你明白这个想法了吗我们拥有的数据越多。我们对机器的优化越好它的工作效果就越好我们也是这样学习的。我们通过经验学习。也就是说通过观察。（有数据）就像 阿根廷移动的电话数字 数学机器一样。这就是举动现在您已经通过这个小例子理解了这个想法我们将分解机器学习技术的两种主要方法。机器学习的两种方法我刚才向您展示的客户端示例是一个受监督的示例。也就是说先验地您知道问题的输出和输入。您拥有可用的输入输出信息您的工作是计算机器的算法并对其进行训练。一旦计算出算法您将把它与新的可用观察一起使用而您不知道输出。






您只有有关门票的信息。您将使用机器来预测开始的结果。这太妙了这就是监督的思想。有两种类型的监督问题回归问题（例如线性回归）分类问题（例如逻辑模型）在最后一节中我将在这个意义上给您提供更多示例。现在我给大家介绍一下无监督的这也很有趣。它是在不知道数据存在的情况下寻找数据模式。就像按特征进行聚类或分组的情况一样。它是关于衡量您认为对不同群体可能感兴趣的特征。例如测量身高、血糖、年龄、静息心率、是否运动、压力水平等。这些特征对于能够对受试者进行分组并找到统计上差异化的组可能很有趣。这些组将根据我们使用的特征以统计上不同的方式进行分组。最好的情况是我们能找到一群健康、健康、具有共同模式和特征的人。