首先，我們來看乙個例子。
你有乙個朋友，他有一套750平方英呎的房子，他來問你能賣多少錢。
然後，你就找來了附近房子的最近買賣資訊，然後把面積跟房價畫了一條曲線出來。（注：例子與圖來自andrew ng的machine learning課程。）
如圖，我們知道的只是上面一些點，橫座標是面積，縱座標是房價。現在你要怎麼**朋友的房子賣多少錢呢？
開始，你覺得這些點像一條直線，於是就畫了一條直線去進過盡量多的點，然後在750的地方畫了一條豎線上去，得出房價為150k。
然後你又覺得這個擬合不是很好，你想到二次曲線的形狀更符合點的分布，然後又有了藍色的曲線，根據這條曲線，得出房價為200k。
可見準確的擬合資料的變化趨勢是多麼重要！
上述的問題就是乙個回歸問題，即根據已有的資料推測出一系列連續值的屬性，從而能**其他值的輸出結果。
簡單來說，回歸就是求解一些資料服從的函式或者分布。
我們來看另外乙個例子：
上圖是腫瘤大小和是否為良性的關係，惡性腫瘤標記為1，良性標記為0.
我們發現這組資料不像之前的那樣好找規律了。
於是，我們蒐集了更多的資訊，患者的年齡。
如圖，橫座標是腫瘤大小，縱座標是患者年齡，資料點中圓圈代表良性，×代表惡性。
這次，我們換一種做法，在這個資料空間裡找一條直線，但不是過這些點，二是將這些點分在直線兩側。
然後有新的患者，我們將他的特徵描到這個空間中，看他屬於哪一邊，這樣就可以大致判斷腫瘤的性質。
上面這個問題屬於分類問題，即通過已知資料推測出離散的輸出值。
這一部分我們通過兩個例子解釋了回歸和分類的區別，這兩種演算法都是屬於監督學習的範疇。
機器學習 線性回歸問題
案例分析 正規方程 梯度下降 嶺回歸 from sklearn.datasets import load boston from sklearn.linear model import linearregression,sgdregressor,ridge from sklearn.model se...
機器學習 回歸
有別於分類問題，回歸問題，主要是通過特徵來構造乙個函式，並用這個函式求得的值來近似的估計我們需要 的值。回歸的種類有很多，當然我一時之間不能夠完全的總結出所有的回歸分析方法，但是我們在以後的學習中慢慢的補充。作為乙個初學者，以下的總結可能有一些個人的誤區，所以如果出現什麼錯誤的話，我希望各個讀者能夠...
機器學習 回歸
機器學習之路 python支援向量機回歸svr 波士頓地區房價 python3 學習使用api 支援向量機的兩種核函式模型進行 原始碼 git from sklearn.datasets import load boston from sklearn.cross validation import ...