我报告了机器学习 (ML) 的三个定义，并且我还解释了在这个答案中 ML 可以分为多个子任务或子类别。然而，为什么分类、回归或聚类可以被认为是机器学习任务或者可以用 ML 算法/程序来解决可能并不总是很清楚，所以让我解释一下为什么这些任务可以用 ML 来解决，基于 Tom Mitchell 的定义为了完整性，我在下面报告了一个 ML 算法。

据说计算机程序可以从经验中学习 $E$关于某类任务 $T$和绩效衡量 $P$, 如果它在任务中的表现$T$，如测量$P$, 随着经验的提高$E$.

所以，根据这个定义，要让计算机程序成为“机器学习者”，我们需要识别$E$,$T$， 和$P$，并表明计算机程序改进了$E$在执行任务时$T$， 根据$P$.

对于分类或回归的情况（这些是任务，这只是问题的同义词），假设我们给定了训练标签数据集$D = \{(x_1, y_i), \dots, (x_N, y_N) \}$的$N$元组$(x_i, y_i)$， 在哪里$x_i$是程序（或模型）的输入，并且$y_i$（标签，又名类，因此名称分类）是程序应该产生的输出。在分类的情况下，$y_i$是离散集的一个元素，例如$\{0, 1\}$在二元分类的情况下，而在回归的情况下，$y_i \in \mathbb{R}$是一个实数。

所以，在这种情况下，经验$E$是$D$（训练标记数据集）。任务$T$是分类还是回归，取决于是否$y_i$属于离散或连续空间。绩效衡量$P$可以是例如交叉熵（通常用于解决分类任务）或均方误差（通常用于解决回归任务）。（我不会在这里回忆这些性能度量的定义：您可以阅读有关 ML 的书了解详细信息）。

所以，我们确定了$E$,$T$和$P$. 现在，我们还需要争论为什么一个程序的性能是由$P$会改善$E$. 假设您正在使用经过梯度下降训练的神经网络来解决这些任务。经过一个 epoch/iterations 的梯度下降，损失会更小，因此程序的性能会更高。因此，根据 Mitchell 对 ML 的定义，这确实是一个机器学习器。

在集群的情况下（任务$T$)，唯一的区别是数据集$D$（即经验$E$) 是未标记的，即我们没有标签，但我们只得到输入，如您所知，目标是根据相似性的某种概念，根据这些输入的相似性对这些输入进行分组，这是您的绩效衡量标准$P$.

我在另一个答案中报告的 ML 的其他定义也与 Mitchell 的定义一致。更准确地说，这些定义中的大多数都基于 ML 算法是一种“在数据中寻找模式”的算法的想法。为了解决分类、回归和聚类任务/问题，ML 算法/程序需要在数据中找到模式（显式地，如在聚类的情况下，或间接地，如分类的情况下），以便程序的性能有待提高。

此外，鉴于您在现已删除的评论中提出了这一点，我认为机器学习的定义并不一定意味着预测（即使用模型来预测有关未来数据的某些事情），但是，是的，ML 是常用于预测。

同样重要的是要注意，当有人在没有更多细节或信息的情况下说“机器学习”时（就像您在帖子/问题中所做的那样），可以参考

1. 研究和应用机器学习算法的研究领域/领域，或
2. ML 算法（有时是模型）。

Mitchell 的定义是对算法/程序被称为 ML 算法/程序意味着什么的定义。但是，我将 ML 定义为一个字段紧随其后的是 ML 算法的定义。

最后，我们可以说，可以以可以应用 ML 算法的方式表述的问题是 ML 问题。请注意，Mitchell 的定义在任何地方都没有提到“ML 问题”，而只是提到了“问题”，所以这不是一个循环定义。因此，我们可以说分类、回归和聚类是“ML 问题”，因为它们可以用 ML 算法解决。更一般地，所有这三个问题都可以被认为是“函数逼近”问题，即在所有这些情况下，解决方案都是函数。