否则标记信息直接形成了簇划分：但也有例外情况，参见13.6节，亦称“有导师学习”和“无导师学习”，更确切地说，是“未见示例”(unseen instance)．现实任务中样本空间的规模通常很大（例如20个属性，每个属性有10个可能取值，则样本空间的规模已达1020)．(xi，tJi)表示第t个样例，其中Yi∈y是示例茁t的标记，y是所有标记的集合，亦称“标记空间”(label space)或“输出空间”．若我们欲预测的是离散值，例如“好瓜”“坏瓜”，此类学习任务称为“分类”(classification)；若欲预测的是连续值，例如西瓜成熟度0.95、0.37，此类学习任务称为“回归”(.regression)．对只涉及两个类别的“二分类”(binary classificatiori)任务，通常称其中一个类为“正类”(positive class)，另一个类为“反类”(negative class);涉及多个类别时，则称为“多分类”(multi-class classification)任务，一般地，预测任务是希望通过对训练集{(Xl，可1)，(x2，Y2)，…，(Xm，ym)）进行学习，建立一个从输入空间石到输出空间y的映射，：X卜÷y．对二分类任务，通常令y={-1，+1）或{o，1};对多分类任务，lyl>2；对回归任务，y=R，I为实数集．学得模型后，使用其进行预测的过程称为“测试”(testing)，被预测的样本称为“测试样本”(testing sample).例如在学得，后，对测试例∞，可得到其预测标记可=，@）我们还可以对西瓜做“聚类”(clustering)，即将训练集中的西瓜分成若干组，每组称为一个“簇”(cluster)；这些自动形成的簇可能对应一些潜在的概念划分，例如“浅色瓜”“深色瓜”，甚至“本地瓜”“外地瓜”．这样的学习过程有助于我们了解数据内在的规律，能为更深入地分析数据建立基础，需说明的是，在聚类学习中，“浅色瓜”“本地瓜”这样的概念我们事先是不知道的，而且学习过程中使用的训练样本通常不拥有标记信息。