监督学习--分类与回归的区别

其实回归问题和分类问题的本质一样,都是针对一个输入做出一个输出预测,其区别在于输出变量的类型。

分类问题是指,给定一个新的模式,根据训练集推断它所对应的类别(如:+1,-1),是一种定性输出,也叫离散变量预测;
回归问题是指,给定一个新的模式,根据训练集推断它所对应的输出值(实数)是多少,是一种定量输出,也叫连续变量预测。

举个例子:
预测明天的气温是多少度,这是一个回归任务;
预测明天是阴、晴还是雨,就是一个分类任务。

输入变量与输出变量均为连续变量的预测问题是回归问题;
输出变量为有限个离散变量的预测问题成为分类问题;
输入变量与输出变量均为变量序列的预测问题成为标注问题。

参考资料:http://www.zhihu.com/question/21329754/answer/18004852

  • 5
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
好的,下面是监督学习与非监督学习的详细区别对比表格: | | 监督学习 | 非监督学习 | |-------------|----------------------------------------------------------------|---------------------------------------------------------------| | 数据类型 | 监督学习使用标记数据,即每个样本都有明确的标签或输出值 | 非监督学习使用无标记数据,即每个样本没有明确的标签或输出值 | | 目标 | 监督学习目标是预测新数据的标签或输出值 | 非监督学习目标是发现数据中的隐藏结构或模式 | | 算法 | 监督学习算法包括决策树、支持向量机、神经网络等 | 非监督学习算法包括聚类、关联规则挖掘、降维等 | | 应用 | 监督学习应用于分类回归、推荐系统等领域 | 非监督学习应用于数据分析、异常检测、特征提取等领域 | | 例子 | 监督学习例子包括图像分类、垃圾邮件过滤、股票预测等 | 非监督学习例子包括文本聚类、图像分割、数据降维等 | | 特征提取 | 监督学习需要重要特征,以提高准确性 | 非监督学习可以处理大量特征,无需关注其重要性 | | 数据量 | 监督学习需要大量标记数据,通常数据量较小 | 非监督学习可以处理大量无标记数据,通常数据量较大 | | 准确性评估 | 监督学习准确性可以明确地通过评估指标进行评估 | 非监督学习准确性通常难以明确地进行评估 | | 优缺点 | 监督学习准确性高,但需要大量标记数据,难以处理大量特征 | 非监督学习可以处理大量无标记数据,但准确性不如监督学习高 | 希望这个更详细的表格能够帮助你更好地理解监督学习和非监督学习区别

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值