机器学习的魔法(二)超越预测的界限-揭秘机器学习的黑科技-探索监督学习中的回归和分类问题

简介: 机器学习的魔法(二)超越预测的界限-揭秘机器学习的黑科技-探索监督学习中的回归和分类问题

前面我们提到了监督学习的概念,现在我们来回顾一下,什么是监督学习。

监督学习指的是:我们给学习算法一个数据集,这个数据集由正确答案组合而成,然后机器运用学习算法,算出更多的正确答案。


1、监督学习之回归问题

我们接着,上节提到的房价预测案例,进一步说明。



如上图,横轴表示房子的面积,单位是平方英尺,纵轴表示房价,单位是千美元。


基于以上数据,假如 你有个朋友,她有750平方英尺的房子,能卖多少钱。

我们应用学习算法:

  • 可以在这组数据中拟合一条直线,我们可以根据这条直线推测出 ,这套房子可以卖150K美元。
  • 可以这组数据中使用二次方程拟和曲线,可以从曲线这个点,推测出这套房子可以卖200k美元。

以上案例的房价实际上是一系列的离散值,我们通常把它看成实数,看成标量,所以又把它看成一个连续的数值。

我们尝试推测一系列连续值的结果(房价),这叫回归问题


2、监督学习之分类问题

我们再举另外一个监督学习的例子。

假设:你想通过查看病历来推测乳腺癌良性与否。

假如有人检测出乳腺肿瘤,恶性肿瘤有害并且十分危险,而良性的肿瘤危害就没那么大。

我们来看一组数据:

这个数据集中,横轴表示肿瘤的大小;纵轴上,标出1和0表示是或者不是恶性肿瘤。

如果是恶性则记为1,良性记为 0。



机器学习的问题就在于:估算出肿瘤是恶性的或是良性的概率,这就是一个分类问题。

分类指的是,我们试着推测出离散的输出值:0或1,良性或恶性,而事实上在分类问题中,输出可能不止两个值。


总结:

监督学习的基本思想是,我们数据集中的每个样本都有相应的“正确答案”,再根据这些样本作出预测。


3、案例分析

假设你经营着一家公司,你想开发学习算法来处理这两个问题:

1、你有一大批同样的货物,想象一下,你有上千件一模一样的货物等待出售,这时你想预测接下来的三个月能卖多少件?

2、你有许多客户,这时你想写一个软件来检验每一个用户的账户。对于每一个账户,你要判断它们是否曾经被盗过?

那这两个问题,它们属于分类问题、还是回归问题?


问题一: 是一个回归问题,如果我有数千件货物,我会把它看成一个实数,一个连续的值。因此卖出的物品数,也是一个连续的值。


问题二:是一个分类问题,因为我会把预测的值,用0 来表示账户未被盗,用1 表示账户曾经被盗过。所以我们根据账号是否被盗过,把它们定为0或 1,然后用算法推测一个账号是 0还是 1,因为只有少数的离散值,所以我把它归为分类问题。

相关文章
|
5天前
|
机器学习/深度学习 人工智能 自然语言处理
机器学习之线性回归与逻辑回归【完整房价预测和鸢尾花分类代码解释】
机器学习之线性回归与逻辑回归【完整房价预测和鸢尾花分类代码解释】
|
5天前
|
机器学习/深度学习 自然语言处理 算法
|
5天前
|
机器学习/深度学习
机器学习 —— 分类预测与集成学习(下)
机器学习 —— 分类预测与集成学习(下)
17 0
|
5天前
|
机器学习/深度学习 数据采集 数据可视化
机器学习 —— 分类预测与集成学习(上)
机器学习 —— 分类预测与集成学习
24 2
|
5天前
|
机器学习/深度学习 存储 算法
【机器学习】使用贝叶斯模型做分类时,可能会碰到什么问题?怎么解决?
【5月更文挑战第11天】【机器学习】使用贝叶斯模型做分类时,可能会碰到什么问题?怎么解决?
|
5天前
|
机器学习/深度学习 算法 Python
【Python机器学习专栏】逻辑回归在分类问题中的应用
【4月更文挑战第30天】逻辑回归是用于二分类的统计方法,通过Sigmoid函数将线性输出映射到[0,1],以预测概率。优点包括易于理解、不需要线性关系、鲁棒且能输出概率。缺点是假设观测独立、易过拟合及需大样本量。在Python中,可使用`sklearn`的`LogisticRegression`实现模型。尽管有局限,但在适用场景下,逻辑回归是强大且有价值的分类工具。
|
5天前
|
机器学习/深度学习 算法 数据可视化
【Python 机器学习专栏】机器学习中的监督学习与无监督学习
【4月更文挑战第30天】本文探讨了监督学习和无监督学习的概念、原理及应用。监督学习依赖于已知标签,通过学习输入与输出的关系进行预测,如线性回归、逻辑回归等,常用于信用评分、疾病诊断等。无监督学习则在无标签情况下发现数据隐藏结构,如聚类和主成分分析,适用于客户细分、数据可视化等。两者在实际中常结合使用,以提升模型性能和泛化能力。理解这两种方法对于解决复杂数据问题至关重要。
|
5天前
|
机器学习/深度学习 存储 算法
PYTHON集成机器学习:用ADABOOST、决策树、逻辑回归集成模型分类和回归和网格搜索超参数优化
PYTHON集成机器学习:用ADABOOST、决策树、逻辑回归集成模型分类和回归和网格搜索超参数优化
|
5天前
|
机器学习/深度学习 PyTorch 算法框架/工具
Python中用PyTorch机器学习神经网络分类预测银行客户流失模型
Python中用PyTorch机器学习神经网络分类预测银行客户流失模型
|
5天前
|
机器学习/深度学习 传感器 算法
机器学习基础入门(一)(机器学习定义及分类)
机器学习基础入门(一)(机器学习定义及分类)

热门文章

最新文章