分类和回归都属于监督学习，特点就是他们都有一个标注，而标注的存在就是给分类任务或者回归任务一个指引，告诉算法，具备什么样特征的数据是什么样的标注，也就是它叫什么名字，哪些数据是一样的，哪些数据是不一样的，都是通过标注来区分的。
无监督学习：没有标注，目的就是试图给这些数据加上标注，而打标注并不是随便打的，有一个原则和假设就是我们希望给没有标注的数据加上标注以后，同一个标注内的数据尽可能的相似，而不同标注内的数据应该尽可能不同。
无监督学习用的最多的是两种算法：1.聚类，2.关联规则
， 
， 
，
， 问题：对异常值也很敏感，
， 
， 
置信度：购买了X的情况下购买了Y的概率（类似条件概率）
提升度意义：分子：购买X的情况下购买Y的概率；分母：购买Y 的概率。在购买X的情况下购买Y的概率大于了本身Y的概率，那我们就认为购买X对购买Y有提升作用，若小于1，则认为购买X对购买Y没有起到提升作用，他们两个其实可以认为是相斥的（买了X就不买Y了）
， 
用低阶频繁项集和阈值找到高阶频繁项集，直到找打最高阶的
， 