机器学习场景的的任务

机器学习可以解决多种类型的任务，下面列出最典型的常见的几种：
分类：模型输出的是一个类别，类别为离散的数据类型。比如计算机视觉中的图像分类算法解决的就是一个分类任务。
回归：模型输出的是一个连续的数值。这类任务的一个示例是预测投保人的索赔金额（用于设置保险费），或者预测证券未来的价格。
聚类：对大量未知标注的数据，按数据的内在相似性，将数据划分为多个类别，同一类别内的数据相似度较大，而类别间的相似性比较小。可以被运用在图片检索，用户画像等场景中。
生成：这类任务中，输出的结果可以是向量，矩阵，序列等，输出结果中存在内在的关联。例如机器翻译和语音识别。
分类和回归是预测问题的两种主要类型，分类的输出是离散的类别值，而回归的输出是连续数值。
欠拟合：模型过于简单导致训练误差泛化误差大。
过拟合：训练得到的模型的训练误差很小，而泛化能力较弱即泛化误差较大。