文章目錄

• 統(tǒng)計學(xué)習(xí)的特點(diǎn)
• 統(tǒng)計學(xué)習(xí)的方法
• 機(jī)器學(xué)習(xí)的步驟
• 統(tǒng)計學(xué)習(xí)的目的
• 統(tǒng)計學(xué)習(xí)的應(yīng)用領(lǐng)域
• 機(jī)器學(xué)習(xí)的主要任務(wù)
• 分類與回歸的區(qū)別
• • 1. 輸出不同
  • • 1.1分類問題是輸出**物體的所屬類別**，而回歸問題輸出的是**物體的值**。
    • 1.2分類問題輸出的值是離散的，回歸問題輸出的值是連續(xù)的
    • 1.3 分類問題輸出是定性的，回歸問題輸出是定量的
  • 2.目的不同
  • 3.本質(zhì)不同
  • 4.結(jié)果不同
  • 3.場景不同
  • 3.1分類問題
  • 3.2回歸應(yīng)用

統(tǒng)計學(xué)習(xí)的特點(diǎn)

關(guān)于計算機(jī)基于數(shù)據(jù)構(gòu)建概率統(tǒng)計模型并運(yùn)用模型對數(shù)據(jù)進(jìn)行預(yù)測與分析的一門學(xué)科

統(tǒng)計學(xué)習(xí)的方法

• 機(jī)器學(xué)習(xí)一般包括監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)。有時候還包括半監(jiān)督學(xué)習(xí)、主動學(xué)習(xí)。

機(jī)器學(xué)習(xí)的步驟

• 1.數(shù)據(jù)采集
• 2.數(shù)據(jù)預(yù)處理
• 3.特征工程
• 4.模型選擇（模型訓(xùn)練和預(yù)測）
• 5.模型評價（效果評估）

統(tǒng)計學(xué)習(xí)的目的

用于對數(shù)據(jù)的預(yù)測與分析，特別是對位置新數(shù)據(jù)的預(yù)測與分析，對數(shù)據(jù)預(yù)測可以是計算機(jī)更加智能化

統(tǒng)計學(xué)習(xí)的應(yīng)用領(lǐng)域

人工智能、模式識別、數(shù)據(jù)挖掘、自然語言處理、語音處理、計算機(jī)視覺、信息檢索、生物信息等許多計算機(jī)應(yīng)用領(lǐng)域中。

機(jī)器學(xué)習(xí)的主要任務(wù)

機(jī)器學(xué)習(xí)的主要任務(wù)便是聚焦于兩個問題：分類和回歸。

分類與回歸的區(qū)別

分類和回歸都是對輸出做出預(yù)測的，并且都是監(jiān)督學(xué)習(xí)。就是根據(jù)特診，分析輸入的內(nèi)容。判斷它的類別或者預(yù)測值。
主要區(qū)別

1. 輸出不同

1.1分類問題是輸出物體的所屬類別，而回歸問題輸出的是物體的值。

比如天氣預(yù)報：天氣有晴、陰、雨三類，預(yù)測之后的天氣情況，比如下周一會天晴，這就是分類；知道今天和之前幾天的天氣溫度，來預(yù)測之后的天氣溫度，都能預(yù)測一個具體的溫度值，這個就是回歸問題。

1.2分類問題輸出的值是離散的，回歸問題輸出的值是連續(xù)的

這個連續(xù)和離散不是純數(shù)學(xué)意義上的連續(xù)與離散，很顯然回歸問題不可能測出連續(xù)數(shù)值，因為我們測得數(shù)值再接近也會存在數(shù)值域上的偏差，比如20°和19.999°之間存在無窮多個值，并且在實(shí)際生活中，測出小數(shù)點(diǎn)后三位后基本無意義。
如何理解連續(xù)與離散呢？
離散就是規(guī)定有限個數(shù)據(jù)類別，這些類別是離散的。連續(xù)就是理論上可以取某一范圍的任意值，比如20°，這是我們測出來的，但是實(shí)際溫度可能是無限趨于20°，也就是說回歸并沒有要求你的值必須是哪個類別。只要回歸出一個值，在可控范圍內(nèi)就可以了。

1.3 分類問題輸出是定性的，回歸問題輸出是定量的

定性的解釋：確定某種東西的確切的組成有什么或者某種物質(zhì)是什么，不需要測定物質(zhì)的確切數(shù)值量
定量的解釋：確定一種成分（某種物質(zhì)）的確切的數(shù)值量，不需要鑒定物質(zhì)是什么

2.目的不同

分類的目的是為了尋找決策邊界，即分類算法得到的一個決策面，用于對數(shù)據(jù)集中的數(shù)據(jù)進(jìn)行分類。
回歸的目的是為了找到最優(yōu)擬合，通過回歸算法得到一個最優(yōu)擬合線，這個線條可以最好的接近數(shù)據(jù)集中的各個點(diǎn)。

3.本質(zhì)不同

所謂離散和連續(xù)的差別是分類與回歸的不同表象，而非本質(zhì)，本質(zhì)在于損失函數(shù)的形式不同。
原文：https://www.zhihu.com/question/21329754/answer/204957456

4.結(jié)果不同

分類的結(jié)果沒有逼近，對就是對，錯就是錯，最終只有一個結(jié)果
回歸是一種對真實(shí)值的逼近預(yù)測，值不確定，當(dāng)預(yù)測值與真實(shí)值相近時，誤差較小時認(rèn)為這就是一個好的回歸。

3.場景不同

3.1分類問題

分類問題應(yīng)用非常廣泛，通常建立在回歸之上，分類的最后一層通常使用softmax函數(shù)進(jìn)行判斷其屬性。分類并沒有逼近的概念，最終正確結(jié)果只有一個，錯誤就是錯誤的，不會有相近的概念。
比如圖片是一只貓還是一只狗，判斷天晴還是下雨，零件是否合格

3.2回歸應(yīng)用

回歸問題通常是用來預(yù)測一個值，回歸分析用在神經(jīng)網(wǎng)絡(luò)上，其最上層不需要加上softmax函數(shù)的，而是直接對前一層累加即可。一個比較常見的回歸算法就是線性回歸算法（LR）
比如房價預(yù)測、股票的成交額。未來的天氣情況等。

總結(jié)

以上是生活随笔為你收集整理的统计学习/机器学习常用小知识的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。