监督学习，无监督学习，回归分析。

Question

我知道:

1. 无监督学习是尝试找到未标记数据中的隐藏结构，否则我们称之为有监督学习。
2. 回归也是分类的一种，只是它的输出是无限数量的数字。
3. 我也知道分类是一种有监督学习。

但是让我困惑的是:

1. 线性回归(拟合直线)是回归的一种吗？如果是，为什么它的数据是未标记的？例如，它的样本数据只是像(1,2),(2,3),(1,4)这样的坐标数量吗？
2. 逻辑回归(分类)是回归的一种吗？如果是，为什么它的输出只是名义上的(值，真或假，0或1)？

有人能帮我弄清楚吗？

- wuchang

Answer 1

1) 线性回归是监督学习，因为你拥有的数据包括输入和输出（可以这样说）。例如，如果你有一个销售汽车的经销商数据集。对于每辆汽车，你有制造商、型号、价格、颜色、折扣等信息，但你也有每辆汽车的销售数量。如果此任务不是监督学习，则你会得到一个仅包含制造商、型号、价格、颜色等信息（而非实际销售数量）的数据集，你能做的最好是对这些数据进行聚类。这个例子并不完美，但旨在传达整体思路。当决定一种方法是否是监督学习时，问自己一个好问题是：“我有一种判断输入质量的方法吗？”如果你拥有线性回归数据，你肯定有。你只需评估函数值（在本例中是直线）以估计输出的输入数据即可。其他情况则不行。

2) 逻辑回归实际上并不是回归。它的名称具有误导性，确实导致了很多混淆。它通常仅用于二元预测，这使得它非常适合分类任务，但其他方面则不是。

- Nitish

---

非常感谢您的黄金法则：“我有一种判断输入质量的方法吗？”这真的很简单但非常有效。现在我明白了。有时候机器学习中的名称确实令人困惑。 - wuchang

我不同意你的观点：“逻辑回归实际上并不是回归分析”。 “回归分析”的定义是“一种用于估计变量之间关系的统计过程”（来源：维基百科）。回归分析试图找到因变量和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，这是一个在[0,1]域中的变量。我们仍然试图找到该变量与自变量之间的关系。仍然是回归分析。 - valentin

@valentin，你说的是正确的，但只适用于“统计回归”，而当我们谈论“监督学习中的回归”时，答案就不同了。请参考此链接：https://chemicalstatistician.wordpress.com/2014/01/05/machine-learning-lesson-of-the-day-classification-and-regression/。 - backtrack

Answer 2

线性回归是一种监督学习方法。它需要使用已知的依赖变量（标签）数据集进行模型训练，然后在以后应用模型。你试图预测一个实数，例如房屋的价格。

逻辑回归也是一种监督学习方法。尽管名字中含有“回归”二字，但它更像一个分类器。你试图预测类成员的概率比值，如某人死亡的可能性。

无监督学习的例子包括聚类和关联分析。

- Neil McGuigan

Answer 3

• 监督学习 计算机接收输入（自变量）和相关标签，表示观测的类别（因变量） 计算机试图学习将每个类别映射到输入的规则 根据计算机学习的规则对新数据进行分类
• 无监督学习 计算机只接收输入（自变量） 计算机试图基于相似性/差异性对事物进行分类

希望这能澄清问题，谢谢

- Akshay Kotalwar

Answer 4

你可以考虑这个解释。

1. 线性回归（拟合直线）是一种回归类型吗？如果是，为什么它的数据没有标签？例如，它的样本数据只是一些坐标的数量，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）是一种回归类型吗？如果是，为什么它的输出只是名义上的（值、真或假、0或1）？

     值：数据

     真/假：标签

- Cloud Cho