监督学习、无监督学习、回归答案

【问题标题】：supervised learning,unsupervised learning ,regression监督学习、无监督学习、回归
【发布时间】：2014-04-20 13:53:21
【问题描述】：

我知道：

无监督学习是试图找到隐藏的结构 未标记数据，否则，我们称之为监督学习。
回归也是一种分类，除了它的输出是无限个数字。
我也知道分类是一种监督学习。

但让我困惑的是：

线性回归（线拟合）是一种回归？如果是，为什么它的数据是未标记？例如，它的样本数据只是一个数量像 (1,2),(2,3),(1,4) 这样的坐标？
逻辑回归（分类）是一种回归？如果是，为什么它的输出是只是正常的(value,true of false ,0 or 1)？

谁能帮我解决这个问题？

【问题讨论】：

标签： machine-learning linear-regression logistic-regression

【解决方案1】：

1) 线性回归是监督的，因为您拥有的数据包括输入和输出（可以这么说）。因此，例如，如果您有一个数据集，例如经销商处的汽车销售。您拥有每辆车的品牌、型号、价格、颜色、折扣等信息，但您也拥有每辆车的销售数量。如果这项任务是无监督的，您将拥有一个数据集，其中可能仅包括品牌、型号、价格、颜色等（而不是实际的销售数量），您能做的最好的事情就是对数据进行聚类。该示例并不完美，但旨在了解全局。在决定一个方法是否受到监督时，问自己一个好问题是问“我有办法判断输入的质量吗？”。如果你有线性回归数据，你当然可以。您只需评估输入数据的函数值（在本例中为线）以估计输出。在另一种情况下则不然。

2) 逻辑回归实际上并不是回归。这个名称具有误导性，确实会导致很多混乱。它通常仅用于二进制预测，这使其非常适合分类任务，但仅此而已。

【讨论】：

非常感谢您的黄金法则：“我有判断输入质量的方法吗？，这真的很简单但很有效。现在我明白了。有时机器学习中的名称真是令人困惑。
我不同意您的“逻辑回归实际上不是回归”。 “回归”的定义是“用于估计变量之间关系的统计过程”（来源：维基百科）。回归试图找出因变量与一个或多个自变量之间的关系。在逻辑回归的情况下，我们预测一个概率，它是 [0, 1] 域中的一个变量。我们仍然试图找到该变量与自变量之间的关系。还是回归。
@valentin，您所说的是正确的，但仅在“统计回归”中，但是当我们谈论“监督学习中的回归”时，它与答案不同。参考这个：chemicalstatistician.wordpress.com/2014/01/05/…

【解决方案2】：

线性回归是有监督的。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。您正在尝试预测一个实数，例如房子的价格。

逻辑回归也受到监督。尽管有它的名字，但它更像是一种分类器而不是回归技术。您正在尝试预测班级成员的几率，例如某人死亡的几率。

无监督学习的示例包括聚类和关联分析。

【讨论】：

【解决方案3】：

监督学习 向计算机显示输入（自变量）和指示观察类别（因变量）的相关标签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（自变量）计算机尝试根据相似性/不相似性对事物进行分类

希望一切顺利，干杯

【讨论】：

【解决方案4】：

您可以考虑这种解释。

1) 线性回归（线拟合）是一种回归？如果是这样，为什么它的数据没有标记？比如它的样本数据就是一个坐标数量，比如(1,2),(2,3),(1,4)？

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？如果是这样，为什么它的输出只是名义上的（值，真假，0或1）？

值：数据

真/假：标签

【讨论】：