机器学习（监督学习）核心导向（分类+回归）

第一部分：基本含义

机器学习又叫做监督学习，主要核心点就在“监督”二字，代表的是有确切的标签值；举个比较形象的例子，就好比你做小学数学题，你数后面有正确答案，你昨晚之后能够进行对照。

同时，机器学习的主要研究任务主要包括两个部分：分类+回归

第二部分：分类问题

（1）基础含义

分类顾名思义，就是将某个事物归为某个类别，想要找到某一条界限，将事物进行分为不同的类别。

（2）二分类问题

这个事物的归属主要有两类，比如小时候我们都喜欢将人分为好人和坏人两类。对应1和0，是离散的。

（3）多分类问题

这个事物的归类有多种，比如给你一个文具，要你判断这个文具是“铅笔”还是“尺子”还是“橡皮”等等，或者一个地图场景，分类结果为当前指向（东西南北）。

多分类问题的特点就是各个子分类之间互相之间没有交集，之和为1.（比如东西南北，各个占25%，总和为100%）

（4）多标签分类

多标签分类是在多分类基础上的进一步升级，多分类问题可以认为是多个多分类，对于两个“不同”事物AB，从“某种角度”来看，它们之间的标签并不是互斥的，可能一样：

以上图为例：如果仅仅是多分类任务，我们可以识别他手中携带的是一个“皮包”叫做对象A，脚上穿的是一个“皮鞋”，叫做B。很显然，多分类问题下，从装饰品功能上来看，“皮包”≠“皮鞋”；

但是以多标签分类，这个“皮包”和“皮鞋”颜色都是“深褐色”，也就是从颜色的角度来看，“皮包”=“皮鞋”。

那我为什么说多标签分类是多种多分类任务呢：

以上述我们说的这个为例，我们可以先从装饰品功能上来进行分类，得到“皮包”≠“皮鞋”；再从颜色上进行分类，得到“皮包”=“皮鞋”；

（5）三种分类的联系

在生活中，这三种分类并不是完全独立的，比如以前两年我们做核酸为例：

①以结果为导向，测量得到的肯定是我们是否是“阳性”或“阴性”，这是一个二分类问题；

②如果我们患有的是阳性，那么我们又可以进行细分，看下我们患有的这种病毒属于哪一类病毒，这又变成了多分类问题；

③患有的这些病毒之间可能也有一些共性，比如研究这个病毒是否具有传染特性（那么A和B两个对象就都可能归于这一类），这又变成了多标签分类问题。

第三部分：回归问题

（1）基本含义

回归问题主要研究的目的是预测。这个回归的英文单词是“regression”，回到中心点，说实话就是回到平均值点，有已有的这些点组成的先就叫做回归线；那么整出这个回归有什么用呢？比如我们在生活中看天气预报，我们想要根据过去一周的天气预报，预测一下明天下雨的概率是多少？这就是回归所要研究的问题，它主要是通过过去7天的数据，研究他们之间的相互关系，然后画出一条f(x)线，输入明天的一些基本特征值，来得出最终是否下雨。

回归问题输出的数据结果是连续的。

（2）线性回归

线性回归，顾名思义，这个f(x)是一条直线，y=kx+b.

（3）多项式回归

多项式回归，就是上面的线性回归无法满足预测，得到的误差值太大，需要用到更加复杂的f(x）才可以，那么这个多项式你就可以理解成二次函数，三次函数等高阶函数。

（4）逻辑回归

逻辑回归的本质是用来做分类问题，那么很多人就该好奇了，你做分类问题就做分类问题呗，非要整个逻辑回归干什么，净找麻烦吗？

实际上则不然，回归问题在实际处理过程中用的的核心思想是“逼近”，它得到的这个f(x)左右两边是有一个区域范围间隔的，而上述一般的二分类是没有的。

也就是说，逻辑回归和二分类在求f(x)上的思想是不一样的，但是他们的目的是一样的，都是用来分类。

第四部分：分类和回归之间的联系

分类和回归之间并不是独立的，他们也可以相互转换，本质上就是离散数据和连续数据之间的相互转换。

比如以刚刚我们说的天气预测问题：

①如果是根据原有的数据，想要看看明天是属于哪一种天气（晴天，阴天，雨天，雾天等等），那么这就是个多分类问题；

②如果是根据原有的数据，想要预测明天下雨的概率是多少，输出的结果可能是介于0到1之间的数字，比如0.8，代表的就是下雨的概率是80%，那么这就是个回归问题。