监督学习、无监督学习、回归

Posted 2023-03-12

【中文标题】监督学习、无监督学习、回归

【英文标题】：supervised learning,unsupervised learning ,regression

【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？

【参考方案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：***）。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/…

【参考方案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。

【参考方案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

【参考方案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