Machine learning 监督学习,非监督学习,回归
我知道:Machine learning 监督学习,非监督学习,回归,machine-learning,linear-regression,logistic-regression,Machine Learning,Linear Regression,Logistic Regression,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(
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: