监督学习，无监督学习，回归

Question

我知道：

1. 无监督学习就是试图找到隐藏的结构 未标记的数据，否则，我们称之为监督学习。
2. 回归也是一种分类，除了它的输出 无限数字数字。
3. 我也知道分类是一种监督学习。

但令我困惑的是：

1. 线性回归（line fitting）是一种回归？如果是这样，为什么它的数据是 没有标记？例如，它的样本数据只是一个数量 坐标如（1,2），（2,3），（1,4）？
2. 逻辑回归（分类）是一种回归？如果是，为什么它的输出是 只是norminal（值，true，false，0或1）？

任何人都可以帮我解决这个问题吗？

Answer 1

1）线性回归是监督，因为您拥有的数据包括输入和输出（也就是说）。因此，例如，如果您有经销商处的汽车销售数据集。对于每辆车，您拥有品牌，型号，价格，颜色，折扣等，但您还拥有每辆车的销售数量。如果这个任务没有受到监督，你可能会有一个数据集，其中可能只包括品牌，型号，价格，颜色等（而不是实际的销售数量），你可以做的最好就是集中数据。这个例子并不完美，但旨在了解全局。在决定某种方法是否受到监督时要问自己一个很好的问题就是问“我有办法判断输入的质量吗？”。如果你有线性回归数据，你肯定可以。您只需评估输入数据的函数值（在本例中为线）来估算输出。在另一种情况下则不然。

2）Logistic回归实际上不是回归。该名称具有误导性，确实导致了很多混乱。它通常只用于二进制预测，这使得它非常适合分类任务，但没有别的。

Answer 2

监督线性回归。您从具有已知因变量（标签）的数据集开始，训练您的模型，然后再应用它。你试图预测一个真实的数字，比如房子的价格。

Logistic回归也受到监督。它更像是一个分类器，而不是一个回归技术，尽管它的名字。你试图预测班级成员的比值比，比如有人死亡的几率。

无监督学习的例子包括聚类和关联分析。

Answer 3

• 监督学习 向计算机提供输入（自变量）和指示观察类别的相关标签（因变量） 计算机尝试学习将输入映射到每个类的规则 新数据根据计算机学习的规则进行分类
• 无监督学习 计算机仅显示输入（独立变量） 计算机试图根据相似性/不相似性对事物进行分类

希望这清除，干杯

Answer 4

您可以考虑这种解释。

1）线性回归（线性拟合）是回归的一种吗？如果是这样，为什么其数据未标记？例如，其样本数据只是诸如（1,2），（2,3），（1,4）等坐标的数量？

x：1 2 1是数据

y：2 3 4是标签

2）逻辑回归（分类）是一种回归类型？如果是这样，为什么它的输出只是名义上的（值，true为false，0或1）？

值：数据

是非题：标签