机器学习分类和回归问题

机器学习分类和回归问题## 标题

机器学习分类和回归问题
监督学习问题主要可以划分为两类，即 分类问题 和 回归问题

分类问题预测数据属于哪一类别。 —— 离散
回归问题根据数据预测一个数值。 —— 连续

通俗地讲，分类问题就是预测数据属于哪一种类型，就像上面的房屋出售预测，通过大量数据训练模型，然后去预测某个给定房屋能不能出售出去，属于能够出售类型还是不能出售类型。

回归问题就是预测一个数值，比如给出房屋一些特征，预测房价

1. 分类问题
   在监督学习中，当输出变量 Y 取有限个离散值时，预测问题就成了分类（classification）问题

监督学习从数据中学习一个分类模型或分类决策函数，称为分类器（classifier）；分类器对新的输入进行预测，称为分类

分类问题包括学习和分类两个过程。学习过程中，根据已知的训练数据集利用学习方法学习一个分类器；分类过程中，利用已习得的分类器对新的输入实力进行分类

分类问题可以用很多学习方法来解决，比如k近邻、决策树、感知机、逻辑斯谛回归、支撑向量机、朴素贝叶斯法、神经网络等

2. 回归问题
   回归问题用于预测输入变量和输出变量之间的关系

回归模型就是表示从输入变量到输出变量之间映射的函数

回归问题的学习等价于函数拟合：选择一条函数曲线，使其很好地拟合已知数据，并且能够很好地预测未知数据

回归问题的分类

按照输入变量的个数：一元回归和多元回归
按照模型类型：线性回归和非线性回归
回归学习的损失函数 —— 平方损失函数

如果选取平方损失函数作为损失函数，回归问题可以用著名的 最小二乘法（least squares）来求解
————————————————

原文链接：https://blog.csdn.net/weixin_42796403/article/details/113764350