从上一期的内容里[1]，您已经观察到了ML具有很好的能力，可以探索出足够好的W和B，进而求出足够趋近于目标的预测值。于是，ML就能够帮助人类对各种事物（的数据）进行“分门别类”了，这就简称为：分类（Classification）。现在就来说明机器（计算机）是如何学习分类的。

1 给予目标值：以二元分类为例

首先，由人指引机器（ML）来学习分类。也就是，人给予目标值，而ML则探索出足够好的W和B，进而求出足够趋近于目标的预测值。上述目标值又通称为类别标签（Class Label）。在人们心中，先对事物进行分类，并给各类别贴上卷标（即目标值），以指引（监督）ML逐步学习分类。所以，又称为监督式学习（Supervised Learning）。

例如，下图的数据表示：有6瓶水，其温度分别为X=[0，1，4，5，-5，-6]。此时，人们将它们区分为两个类别（Class）：“水”与“冰”。而且人又设定了两个目标值：1代表“水”，且0代表“冰”。如下图所示。

这时人们就可要求ML帮忙寻找出W和B，且希望能够将X=[0， 1， 4， 5， -5， -6]很准确地对应到目标Z=[1，1，1，1，0，0]。上一期曾经说明，ML并没办法直接计算出能够满足这个目标的W和B值。但是它会逐步修正W和B，以尽量满足上述X=[0，1，4，5，-5，-6]与目标Z=[1，1，1，1，0，0]的对应关系（即规律）。所以，在这个范例里，Z空间里有两个目标（Target）点。

在这个范例里，人们将事物区分为两个类别，所以设定两个目标值：1代表“水”，且0代表“冰”。这通称为二元分类（Binary Classification）。

2 ML逐步探索与学习

接下来ML就逐步寻找其中的对应规律，并利用W和B來表达和记住它。在这一过程中，每走1步就会衡量一次，计算出现在与目标值的误差。然后会修正W和B来缩小与目标值的误差。每一次计算误差，并进行修正W和B，这称为一个回合。……