否則標記信息直接形成了簇劃分：但也有例外情況，參見13.6節，亦稱“有導師學習”和“無導師學習”，更確切地說，是“未見示例”(unseen instance)．現實任務中樣本空間的規模通常很大（例如20個屬性，每個屬性有10個可能取值，則樣本空間的規模已達1020)．(xi，tJi)表示第t個樣例，其中Yi∈y是示例茁t的標記，y是所有標記的集合，亦稱“標記空間”(label space)或“輸出空間”．若我們欲預測的是離散值，例如“好瓜”“壞瓜”，此類學習任務稱為“分類”(classification)；若欲預測的是連續值，例如西瓜成熟度0.95、0.37，此類學習任務稱為“回歸”(.regression)．對只涉及兩個類別的“二分類”(binary classificatiori)任務，通常稱其中一個類為“正類”(positive class)，另一個類為“反類”(negative class);涉及多個類別時，則稱為“多分類”(multi-class classification)任務，一般地，預測任務是希望通過對訓練集{(Xl，可1)，(x2，Y2)，…，(Xm，ym)）進行學習，建立一個從輸入空間石到輸出空間y的映射，：X卜÷y．對二分類任務，通常令y={-1，+1）或{o，1};對多分類任務，lyl>2；對回歸任務，y=R，I為實數集．學得模型后，使用其進行預測的過程稱為“測試”(testing)，被預測的樣本稱為“測試樣本”(testing sample).例如在學得，后，對測試例∞，可得到其預測標記可=，@）我們還可以對西瓜做“聚類”(clustering)，即將訓練集中的西瓜分成若干組，每組稱為一個“簇”(cluster)；這些自動形成的簇可能對應一些潛在的概念劃分，例如“淺色瓜”“深色瓜”，甚至“本地瓜”“外地瓜”．這樣的學習過程有助于我們了解數據內在的規律，能為更深入地分析數據建立基礎，需說明的是，在聚類學習中，“淺色瓜”“本地瓜”這樣的概念我們事先是不知道的，而且學習過程中使用的訓練樣本通常不擁有標記信息。