# 機器學習分類器 > 原文： [https://pythonbasics.org/machine-learning-classifier/](https://pythonbasics.org/machine-learning-classifier/) 分類是機器學習任務之一。 那么什么是分類呢？ 您一直都在對數據進行分類。 看看任何物體，您將立即知道它屬于哪個類：它是杯子，桌子還是椅子。這是分類的任務，計算機可以執行此操作（基于數據）。 本文是面向初學者的機器學習。 讓我們做第一個機器學習程序 ## 監督機器學習 ### 訓練數據 導入機器學習模塊`sklearn`。 （受監督）機器學習算法使用示例或訓練數據。 訓練階段是機器學習算法的第一步。 **由于使用示例數據，因此請首先收集數據**。像一組蘋果和桔子的圖像，并記下了特征。 **特征可用于區分兩個類別**。特征是一種屬性，例如顏色，形狀或重量。 它可以表示為數值。 關鍵任務之一是從訓練數據中獲得良好的特征。 寫下每個圖像的類別。 類別是類，對于蘋果，您可以選擇 0 類，對于橘子，您可以采用 1 類。 您可以根據需要設置任意多個類，但是在此示例中，我們將使用 2 個類（蘋果和橘子）。  水平寫入特征，該線代表第一張圖像。 因此，這稱為特征向量。 這組數字代表圖像。 ### 分類器 在訓練階段之后，分類器**可以做出預測**。給定一個新的特征向量，該圖像是蘋果還是桔子？ 分類算法有多種類型，其中一種是決策樹。 如果您有新數據，則算法可以確定新數據屬于哪個類。蘋果的輸出為`[0]`，橙色的輸出為`[1]`。 所以這是新數據，然后我們簡單地使算法進行預測。 ```py from sklearn import tree features = [[0,50],[0,60],[1,35],[1,36],[1,40]] labels = [0,0,1,1,1] algorithm = tree.DecisionTreeClassifier() algorithm = algorithm.fit(features, labels) newData = [[0,51]] print(algorithm.predict(newData)) ``` ### 過擬合和欠擬合 通常，訓練數據越多，分類器就越好。如果您的訓練數據很少（不及），那么您將沒有好的預測。 因此，總的來說，隨著更多數據它變得更加準確。 但是有一個限制，那就是過擬合。 [下載示例和練習](https://gum.co/MnRYU)