监督学习，非监督学习，回归

Question

我知道：

1. 无监督学习是指在未标记的数据中寻找隐藏结构，否则，我们称之为监督学习。
2. 回归也是一种分类，只不过它的输出是无限数的数字。
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)是一种回归吗？如果是这样的话，为什么它的数据没有标签?例如，它的样本数据只是(1,2)，(2,3)，(1,4)这样的坐标量？
2. logistic回归(分类)是一种回归?如果是，为什么它的输出只是生发(值，真为假,0或1)？

有人能帮我弄清楚吗？

Answer 1

1)线性回归是受监督的，因为你拥有的数据包括输入和输出(可以这么说)。例如，如果你有一个数据集，比如说，一个经销商的汽车销售数据集。你有，每辆车，制造，型号，价格，颜色，折扣等，但你也有每辆车的销售数量。如果这个任务是不受监督的，那么您就会有一个数据集，其中可能只包括制造、模型、价格、颜色等(而不是实际的销售数量)，而您所能做的最好的就是对数据进行聚类。这个例子并不完美，但目的在于了解全局。在决定一种方法是否受到监督时，一个很好的问题是：“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。您只需要计算输入数据的函数值(在本例中是行)来估计输出。另一种情况则不是这样。

2) Logistic回归并不是一种回归。这一名称具有误导性，确实会导致许多混乱。它通常只用于二值预测，这使得它对于分类任务来说是完美的，而不是其他的。

Answer 2

线性回归是有监督的。从带有已知因变量(label)的数据集开始，对模型进行培训，然后再应用它。你在试着预测一个真实的数字，比如一套房子的价格。

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。你正试图预测阶级成员的几率比，就像某人死亡的几率一样。

无监督学习的例子包括聚类和关联分析。

Answer 3

• 监督学习向计算机显示输入(自变量)和表示观察(因变量)类别的相关标签，计算机试图学习将输入映射到每一类新数据的规则是根据计算机学习的规则分类的
• 无监督学习计算机只提供输入(自变量)，计算机试图根据相似/不同进行分类

希望这能让清醒，干杯