初学者回归的基本概念（机器学习）

Question

我是机器学习的新手。如果问题看起来有点混乱，我深表歉意。这个框架 (https://www.tensorflow.org/tutorials/keras/regression) 应用神经网络来解决回归问题，我有几个问题。

数据集的尾部如上所示。最后 3 列使用 one-hot 编码。

检查数据如上所示。问题 1) 为什么我们需要这样做？

检查后，它将特征与标签分开。问题 2) 我理解回归中的概念 y = mx1 + mx2 + ... + c。我们有 MPG、气缸、位移、马力等作为我们的特征 (x1,x2,x3,x4...)，但我们在数据集中没有标签 (y)。在这种情况下，我们应该如何进行监督训练？ “将标签与特征分开”是什么意思？

非常感谢您阅读这个问题！

Answer 1

标签

标签是数据应该是什么。
在您的情况下，您的标签似乎是 MPG，因此您正在从数据中学习 MPG。
对象 #1 的 MPG 为 27，对象 #2 的 MPG 为 44，等等。

特点

特征就是数据的含义：
对象#1 可以是具有以下条目的矩阵：{0,1;1,0}，对象#2 可以是具有以下条目的矩阵：{1,1;1,0} 等等。

请注意，标签和特征在代码中可以有不同类型的表示；了解概念上的差异很重要。

特征和标签之间的联系

您希望算法了解看起来有些不同的矩阵具有特定的 MPG，而看起来略有不同的矩阵具有另一个 MPG。

为此，您需要将标签（对象类型，在本例中为 MPG）与特征（对象本身，在本例中为每个对象的数据，不包括 MPG）分开，以便学习和预测数据中的 MPG。