給大家舉個例子：

以我們之前做的波士頓房價視覺化迴歸預測來看，如果告訴機器一棟房子所在地區的住宅地比例、環保的指標、自住的比例、便利的指數、以及不動產稅率等指標，以及不同指標下房屋的價格，這樣機器就能學習這些指標的特點和房價的關係，而給出當前指標下具體的房屋價格。但是這個價格準確率的問題要看機器通過不同模型和演算法學習效果如何。（之前已嘗試過線性迴歸模型、決策樹模型等，不同模型對應的預測結果完全不同的，這也表示出了機器學習程度的不同）。

以機器學習實現鳶尾花的分類來看，我們只需給機器提供鳶尾花萼片和花瓣的長度和寬度資料，以及花的類別，機器便可以通過學習KNN演算法、邏輯迴歸演算法、決策樹演算法等，來判斷新生長出的鳶尾花究竟是屬於山鳶尾、變色鳶尾還是維尼亞鳶尾。這些都是有監督的機器學習方式。

無監督的機器學習，是僅提供輸入特徵即鳶尾花萼片和花瓣的長度和寬度資料，機器在學習過程中並不知道其結果是否正確。但是通過聚類、神經網路等演算法它會自動從這些特徵中找出其潛在類別規則，而將鳶尾花分為三大類。