1>监督学习（分类）：先让机器学习一下每种花朵的样本数据，然后让他根据这些信息，对未标志出花朵种类的图像进行分类。
2>特征：我们把数据中所有测量的结果都叫特征。
2>交叉验证：极端的叫去一法（leave-one-out）从训练集中拿出一个样本，并在缺少这个样本的数据上训练一个模型，然后看模型是否能够对这个样本正确分类
3>分类模型的组成：
模型结构：采用一个阀值在一个特征上进行划分。
搜素过程：尽可能多的尝试所有特征和阀值的组合。
损失函数：用他来确定哪些可能性不会太差。
4>特征工程（feature engineering）:好特征的目标是在重要的地方取值不同，不重要的地方不变。
特征选择（feature selection）
5>最邻近分类：考虑到每个样本是由它的特征所表示的（它是N维空间中的点），我们可以计算样本之间的距离。
6>特征归一单位：归一到Z值（z-score）:特征离它的平均值有多远。
7>二类分和多分类
<2>聚类：是一种安置数据项的方法，使相似的数据项处于同一个簇中，不相似的数据项分在不同的簇里。用到Scikit库。
一般有扁平聚类和层次聚类
扁平聚类：会将帖子分成一系列相互之间没有关联的簇。需要预先指定簇的个数。
层次聚类：层次聚类可以构造出簇之间的层次关系，相似的簇会汇集到一个超级簇中，递归下去，直到只剩下一个簇。并不需要指定簇的个数。