机器学习：

•为了测试机器学习算法的效果，通常使用两套独立的样本集：训练数据和测试数据。

•当机器学习程序开始运行时，使用训练样本集作为算法的输入，训练完成之后输入测试样本。输入测试样本时并不提供测试样本的目标变量，由程序决定样本属于哪个类别。

•比较测试样本预测的目标变量值与实际样本类别之间的差别，就可以得出算法的实际精确度。

数据挖掘：

•  1. 将实例数据划分到合适的分类中。

  •  2. 回归，主要用户预测数值型数据。  数据拟合曲线： 通过给定数据点的最优拟合曲线。分类和回归属于监督学习； 监督学习就是：这类算法必须知道预测什么？ 即目标变量的分类信息。 • 

 3. 无监督学习：数据没有类别信息，也不会给定目标值。将数据集合分成由类似的对象组成的多个类的过程称作聚类。 将寻找描述数据统计值得过程称之为密度估计。