有监督学习问题的分类:回归问题和分类问题

1 前言

使用有监督学习的问题可以被分为两类:回归问题和分类问题。

2 回归问题和分类问题

回归问题:如果我们预测的结果是以连续数字进行表示,即我们将在连续函数中对多个输入变量建立映射关系时,则这样的问题称之为回归问题。

分类问题:如果我们预测的结果是以离散形式表示的,即我们将多个输入变量与多个不同的类别建立映射关系时,则这样的问题称之为分类问题。

 

  • 3
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: “监督学习”是一种机器学习方法,其基本思想就是让计算机从已有的标记数据(即输出结果已知的数据)中来学习如何预测新数据的结果。而“回归问题”是指预测数值型数据或连续型数据,例如根据房屋的面积、位置、建筑年代等特征来预测房屋的价格。而“分类问题”则是指预测离散型数据,例如根据花的大小、颜色、形状等特征来判断它属于哪一种花类别。 ### 回答2: 监督学习是一种机器学习任务,通过给算法提供标记好的数据集来训练模型。在监督学习中,数据集包含了输入和输出的对应关系,算法根据这些数据学习并预测未知的输入-输出对。 回归问题是一种监督学习任务,其目标是预测一个连续数值的输出。在回归问题中,输入和输出之间存在一种连续的关系,模型的任务是找到这种关系并进行预测。例如,预测房屋价格或销售额都属于回归问题分类问题也是一种监督学习任务,其目标是将输入按照预先定义的类别进行分类。在分类问题中,输出是一个离散的类别或标签。模型通过学习输入和输出之间的关系,根据输入将其分类到合适的类别中。例如,将电子邮件分类为垃圾邮件或非垃圾邮件、将图像识别为猫或狗都属于分类问题。 总的来说,监督学习是一种通过给算法提供标记数据来训练模型的学习方法。回归问题是预测连续数值的监督学习任务,而分类问题则是将输入按照类别进行分类的监督学习任务。 ### 回答3: 监督学习是机器学习中的一种方法,通过使用标记好的训练数据集来训练模型,从而从输入数据中预测出正确的输出。在监督学习中,数据集中的每个样本都具有一个已知的标签或输出值,而算法的目标是通过学习这些已知标签的模式来对未标记的数据进行预测。 回归问题是监督学习中的一类问题,其目标是预测连续型变量的值。在回归问题中,我们关注的是输入变量和输出变量之间的连续性关系,例如,通过给定房屋的特征来预测房屋的价格。在回归问题中,我们使用回归算法来建立输入变量和输出变量之间的映射关系,并根据已标记的训练样本来训练模型。 分类问题是监督学习中的另一类问题,其目标是预测离散型变量的值。在分类问题中,我们关注的是将输入数据映射到已定义的类别或标签中。例如,通过给定的肿瘤特征来预测肿瘤是恶性还是良性。在分类问题中,我们使用分类算法来学习输入变量和类别之间的映射关系,并根据已标记的训练样本来训练模型。分类算法可以将输入数据分为相应的类别,并输出预测的类别标签。 总结起来,监督学习是一种通过使用标记好的训练数据集来训练模型的机器学习方法。回归问题分类问题是监督学习中常见的两类问题,分别用于预测连续型变量和离散型变量的值。

“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
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