【1】机器学习-回归

间隔了好多天呀~ 继上次写完第一part，跑去云南蹦跶了几天，下一周又轮到实验室我pre，紧接着下一周又跑去了茂名。时间就是介样 被我揉进了生活里，也就看不清时间和所谓意义之间的关系了~

上次我们介绍完机器学习几大分类，我们现在先来踩机器学习其中一个大类——监督学习。监督学习中最为常见的就是回归和分类了。本章着重讲回归！

一、回归&分类区别

1. 回归问题是指，建立预测模型，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。
   分类问题是指，建立预测模型，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。（参考：https://blog.csdn.net/u010995990/article/details/80620179）
2. 分类算法得到是一个决策面，用于对数据集中的数据进行分类；回归算法得到是一个最优拟合线，这个线条可以最好的接近数据集中的各个点。
3. 在监督分类中，我们我们通常会使用正确率等作为指标，也就是预测结果中分类正确数据占总数据的比例；在回归中，我们通常用决定系数R-squared等模型来评估模型的好坏，也就是通过数据的变化来表征一个拟合的好坏。

二、回归模型

• step 1: A set of function
  建模，考虑自变量的个数，因变量的类型及回归线的形状。比如，有多少输入变量，因变量和自变量的线性关系否，拟合曲线是否是直线等。