初入机器学习，无论是在书本上，还是在学习平台上，第一个介绍的就是监督学习，那么什么是监督学习呢？监督——顾名思义，把你“看着学习”，说的直白一点就是让你的计算机明白一种规律，并且按照这种规律进行大量的学习，最后通过该规律进行预测或者分类。
生活中有垃圾分类，也有物品的好坏分类，在这个世界上凡事存在的东西，我们都会给它定义一个属性，人也不例外，有好人坏人之称，也有穷人富人之别，一个事物可以被定义多个属性。
在监督学习里面，又分为：分类和回归，这里简单的介绍一下什么是分类，什么样的数据适合做分类，分类又分为多少种？
分类：适用于目标列离散的数据，注意这里是目标列，也就是通过模型需要预测的列，它如果是一个离散的数据，那么适用于分类。
分类又分为：二分类，多分类
二分类就是一个目标列只有两种情况，一般的分类以二分类为主，比如在预测肿瘤是良性还是恶性，预测商品是否会被售卖成功，检测某样品是否合格。
多分类就是一个目标列有多种情况，比如某信用等级有：A、B、C、D四种情况，那么这个时候就是一个多分类的情况，多分类得的算法和二分类差不多，在细节上有点不一样。
分类方法的定义：分类分析的是根据已知类别的训练集数据，建立分类模型，并利用该分类模型预测未知类别数据对象所属的类别。
分类方法的应用：
1、模式识别（Pattern Recognition），就是通过计算机用数学技术方法来研究模式的自动处理和
判读。模式识别的目标往往是识别，即分析出待测试的样本所属的模式类别。
2、预测，从利用历史数据记录中自动推导出对给定数据的推广描述，从而能对未来数据进行类预
测。
现实应用案例
1、行为分析
2、物品识别、图像检测
3、电子邮件的分类（垃圾邮件和非垃圾邮件等）
4、新闻稿件的分类、手写数字识别、个性化营销中的客户群分类、图像/视频的场景分类等
分类器
分类的实现方法是创建一个分类器（分类函数或模型），该分类器能把待分类的数据映射到给定的
类别中。
创建分类的过程与机器学习的一般过程一致
上一篇文章我们讲述了，机器学习的框架和以及相关的理论知识，也就是说在一个完整的模型训练当中，这些步骤是不可或缺的。
分类器的构建标准
使用下列标准比较分类和预测方法
预测的准确率：模型正确预测新数据的类编号的能力
速度：产生和使用模型的计算花销
健壮性：给定噪声数据或有空缺值的数据，模型正确预测的能力
可伸缩性：对大量数据，有效的构建模型的能力
可解释性：学习模型提供的理解和洞察的层次
常见的分类算法
逻辑回归（尽管是回归的算法但实际上是完成分类的问题）
决策树（包括 ID3 算法、 C4.5 算法和 CART 算法）
神经网络
贝叶斯
K-近邻算法
支持向量机（SVM）
这些分类算法适合的使用场景并不完全一致，需要根据实际的应用评价才能选对适合的算法
模型。
分类算法的常见应用包括：决策树方法在医学诊断、贷款风险评估等领域应用；神经网络在识别手写字符、语音识别和人脸识别等应用，贝叶斯在垃圾邮件过滤、文本拼写纠正方向的应用等。
分类也是一个常见的预测问题，这个分类解决的问题与生活中分类问题基本一致，比如我们会根据天气的情况决定是否出行，这里面的天气情况就是因变量特征值，出行与否就是因变量标签值，分类算法是将我们思考的过程进行了自动化或半自动化。
数据挖掘中的分类典型的应用是根据事物在数据层面表现的特征，对事物进行科学的分类。分类与回归的区别在于：回归可用于预测连续的目标变量，分类可用于预测离散的目标变量。
在计算机语言中，分类你最容易想到的是什么逻辑语言，不错，答案就是：判断语句
这也是分类的底层思想，就像是决策树一样，一个条件下有很多的分支
