一、概率分类模型（分类问题）

🌻 回归问题和分类问题区别与联系

        ①回归问题通常用来预测一个值，其输出的y是连续值。如预测房价、未来的天气情况等等。回归可以看作是对真实值的一种逼近预测。

        ②分类问题是用于将事物打上一个标签，其输出的y通常为离散值。如判断一幅图片上的动物是一只猫还是一只狗。分类并没有逼近的概念，最终正确结果只有一个，是猫或者是狗。而且分类的问题输出的维度有限，但是回归问题输出的维度原则上无限。

（一）分类问题概念

1. 分类问题：要找一个函数，输入对象的特征，输出是该对象属于 n个类别中的哪一个

2. 分类案例

        

（二）分类方法：回归模型&概率模型

1.回归模型

我们之前只学了回归，我们现在就用回归硬解

举例 🌰：利用回归中的多元线性模型 ,是输入的特征，y是结果（如果是1类别y=1；如果是2类别y=-1）；然后求让损失函数最小的得到了函数 ;输入待测的值然后得到如果输出比较接近 1，就当作类别1，如果数值接近 −1，就当做类别2⇒相当于用零做分界线（生成的函数如下图所示）

💚 回归模型用于分类时的问题：

①回归模型在（上面右图）有远离的值的时候对于模型（函数）的影响非常大，实际上绿色的才是比较好的效果。

②还有一个问题：比如多分类，类别1当作target1（值为1），类别2当作target2（值为2），类别3当作target3（值为3）…如果这样做的话，就会认为类别2和类别3是比较接近的，误认为它们是有某种关系的；其实并不存在这种联系.

2.概率模型

        1.引入

        首先我们来看一个概率学的问题

直观理解就是求解我抽到了蓝球，这个球是来自B1的概率=我选择B1的概率P(B1​)，又在B1里抽了个篮球的概率P(Blue∣B1​)，除以我抽到篮球的情况的总共的概率和(从B1里抽到篮球和从B2里抽到篮球的概率和P(Blue∣B1​)P(B1​)+P(Blue∣B2​)P(B2​)）
推广到二分类： 某个样本出现的概率可以是所有类别产生的概率的和，如果我们知道所有的样本出现的概率，我们就知道了这个样本的分布，那我们就可以用这个分布进行采样，产生样本，这个就叫做生成模型。 我们可以求得给定任意的x，是来自分类C1的概率

2.详细步骤 

3. 💚重要的思考与总结

总结：

参考：(229条消息) 什么是协方差，怎么计算？为什么需要协方差？_Nani_xiao的博客-CSDN博客_协方差

Classification：概率分类模型 - 知乎 (zhihu.com)