線性回歸和邏輯回歸

最近開始學習機器學習，有點心得體會，記錄一下，希望大家批評指正

監督學習（supervised learning）

根據已有的資料集，知道輸入和輸出結果之間的關係。根據這種已知的關係，訓練得到乙個最優的模型。也就是說，在監督學習中訓練資料既有特徵(feature)又有標籤(label)，通過訓練，讓機器可以自己找到特徵和標籤之間的聯絡，在面對只有特徵沒有標籤的資料時，可以判斷出標籤。

通俗一點，可以把機器學習理解為我們教機器如何做事情。

監督學習的分類：回歸(regression）、分類（classification)

回歸（regression）——線性回歸

回歸問題是針對連續性變數的。例如**房屋**，根據資料集來畫直線或者是二階導數等來擬合資料，直線和曲線擬合出來的結果是不一樣的，所以要不斷訓練學習，找到最合適的模型來擬合資料。

回歸通俗一點就是，對已經存在的點（訓練資料）進行分析，擬合出適當的函式模型y=f(x)，這裡的y就是資料的標籤，而對於乙個新的自變數x，就是通過這個函式模型得到標籤y。

分類（classification) ——邏輯回歸

( 線性回歸可以**連續值，但是不能解決分類問題，我們需要坐的是根據**的結果來判定其屬於正類還是負類。邏輯回歸就是將線性回歸的結果，通過sigmoid函式對映到（0，1）之間。所以說邏輯回歸最終解決的是分類問題 )

和回歸問題不同，分類問題是針對離散型變數的，輸出的結果是有限的。例如，目前**腫瘤是良性還是惡性的，惡性標為1，良性標為0。

簡單來說，分類就是通過分析輸入的特徵向量，讓乙個新的向量得到標籤，判定其數屬於哪一類。