回归分析笔记（1）

关系说明，深度学习分成监督学习和非监督学习，监督学习分成分类和回归。

先来了解什么是监督学习

首先我们应该明确什么是回归问题。为了更好的理解回归问题我们需要先了解其的所属于的大类监督学习。

我们首先来看一下监督学习是怎么做的，监督学习并不是指人站在机器旁边看机器做的对不对，而是下面的流程：
1.选择一个适合目标任务的数学模型
2.先把一部分已知的“问题和答案”（训练集）给机器去学习
3.机器总结出了自己的“方法论”
4.人类把"新的问题"（测试集）给机器，让他去解答

这个过程中，其实就隐含了一个我们不太好注意到的要点，就是为我们其实是明确输出的数据集是对应什么的例如我们可以清楚地给这个过程打各种标签，所以是监督学习，有明确的标签存在。

所以是否有标签就是是否为监督学习的标记。例如：在聚类开始之前，我们是并不清楚有多少类的情况。

之后再来看什么是回归分析

回归（regression）是监督学习的一种，回归分析的任务是通过训练数据集D学习到一个模型T，使得模型T能够尽量拟合训练数据集D，并且对于新的输入数据x，应用模型T能够得到预测结果f(x)。

回归与分类是监督学习的两种形式，它们的区别在于回归的预测值是一连续的实数，而分类的预测值是离散的类别数据。
或者说回归问题的预测结果是连续的，比如说要预测某一天的气温，那预测出来24小时的温度就是连续的，而分类问题通常用于给事物打上一个标签，比如猫和狗的分类问题。

今天跟着莫烦Python学习搭建了一个简单的回归问题的神经网络

实验的结果如下图所示，通过不断训练模型，最终可以看到红色的曲线拟合数据集的结果，而且损失函数在不断地减小，说明预测值和真实值的误差在不断地减小。渐渐的我们的得到的函数越来越接近实际情况。