Machine learning 监督学习，非监督学习，回归

我知道：

无监督学习是指试图在学习中发现隐藏的结构 未标记的数据，否则，我们称之为监督学习

回归也是一种分类，除了它的输出 是无限的数字数

我也知道分类是一种监督学习

但让我困惑的是：

线性回归（直线拟合）是一种回归？如果是，为什么它的数据是 未标记？例如，它的样本数据只是 像（1,2）、（2,3）、（1,4）这样的坐标

逻辑回归（分类）是一种回归？如果是，为什么它的输出是 只是正常值（值、真或假、0或1）

任何人都可以帮我弄明白这一点吗？

1）线性回归是有监督的，因为您拥有的数据包括输入和输出（也就是说）。例如，如果你有一个数据集，比如说经销商的汽车销售。你有每辆车的品牌、型号、价格、颜色、折扣等，但你也有每辆车的销售量。如果这项任务是无监督的，那么您将拥有一个数据集，其中可能只包括品牌、型号、价格、颜色等（而不是实际的销售数量），您所能做的就是对数据进行聚类。这个例子并不完美，但其目的是为了了解全局。在决定是否监督某个方法时，要问自己一个好问题，就是问“我有没有办法判断输入的质量？”。如果你有线性回归数据，你肯定可以。您只需计算输入数据的函数值（在本例中为行），以估计输出。另一种情况并非如此

---

2） 逻辑回归实际上不是一种回归。这个名字有误导性，确实会引起很多混乱。它通常只用于二元预测，这使得它非常适合于分类任务，而不是其他任务。

线性回归是有监督的。从具有已知因变量（标签）的数据集开始，训练模型，然后应用它。你试图预测一个真实的数字，比如房价

逻辑回归也被监督。它与其说是一种回归技术，不如说是一种分类器，尽管它叫什么名字。你试图预测班级成员的优势比，就像有人死亡的优势一样

无监督学习的例子包括聚类和关联分析。

• 监督学习 计算机上有输入（自变量）和相关标签，指示观察的类别（因变量） 计算机试图学习将输入映射到每个类的规则 新数据根据计算机学习的规则进行分类
• 无监督学习 计算机仅显示输入（自变量） 计算机试图根据相似性/不同性对事物进行分类

---

<>强>希望这能澄清< <强> >欢呼：

< p>你可以考虑这个解释。 1） 线性回归（直线拟合）是一种回归？如果是，为什么它的数据没有标记？例如，它的样本数据只是一个坐标量，如（1,2）、（2,3）、（1,4）

x:1是数据

y:2 3 4是标签

2） 逻辑回归（分类）是一种回归？如果是这样的话，为什么它的输出只是名义上的（值、真或假、0或1）

值：数据

---

对/错：标签

非常感谢你的黄金法则：“我有办法判断输入的质量吗？”这真的很简单但很有效。现在我明白了。有时机器学习的名称真的很混乱。我不同意你的“逻辑回归实际上不是回归”。回归的定义是估计变量之间关系的统计过程”（来源：Wikipedia）。回归试图找到因变量和一个或多个自变量之间的关系。在逻辑回归的情况下，我们预测概率，这是[0，1]中的一个变量领域。我们仍然试图找到该变量和自变量之间的关系。仍然是回归。@valentin，你所说的是正确的，但仅在“统计中的回归”中是正确的，但当我们谈论“监督学习中的回归”时，它与答案中的不同。参考此：