machine-learning - 监督学习、无监督学习、回归

Question

我知道：

1. 无监督学习是试图在 未标记的数据中找到隐藏的结构，否则，我们称之为监督学习。
2. 回归也是一种分类，只是它的输出是无限数量的数字。
3. 我也知道分类是一种监督学习。

但让我困惑的是：

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？例如，它的样本数据只是像（1,2），（2,3），（1,4）这样的坐标数量？
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正常的（值，真为假，0或1）？

任何人都可以帮我解决这个问题吗？

Answer 1

1) 线性回归受到监督，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，但您也有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，其中可能仅包含品牌、型号、价格、颜色等（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。

Answer 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，例如房屋的价格。

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优势比，例如某人死亡的几率。

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（因变量）的相关标签 计算机尝试学习将输入映射到每个类别的规则 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

希望这能解决，干杯

Answer 4

你可以考虑这个解释。

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？例如，它的样本数据只是一些坐标，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）？

价值：数据

真/假：标签