
使用这些基本 REST API 最佳实践构建出色的 API
回归和分类
回归和分类是机器学习中两种基本的预测问题。它们的本质区别在于输出的类型:回归问题的输出是连续的数值,分类问题的输出是有限的、离散的类别标签。
回归(Regression)的本质:回归的本质是寻找自变量和因变量之间的关系,以便能够预测新的、未知的数据点的输出值。例如,根据房屋的面积、位置等特征预测其价格。
分类(Classification)的本质:分类的本质是根据输入数据的特征将其划分到预定义的类别中。例如,根据图片的内容判断其所属的类别(猫、狗、花等)。
分类的本质
线性回归 VS 逻辑回归
回归(Regression)的原理:通过建立自变量和因变量之间的数学模型来探究它们之间的关系。
线性回归
线性回归(Linear Regression):求解权重(w)和偏置(b)的主要步骤。
求解权重(w)和偏置(b)
w
和偏置b
选择初始值,并准备训练数据X
和标签y
。w
和b
,以最小化损失函数,直到满足停止条件。梯度下降算法迭代更新w和b
w
和b
,并在验证集上检查模型性能。w
和b
构建线性回归模型,用于新数据预测。新数据预测
分类(Classification)的原理:根据事物或概念的共同特征将其划分为同一类别,而将具有不同特征的事物或概念划分为不同类别。
逻辑回归
逻辑回归(Logistic Regression):通过sigmoid函数将线性回归结果映射为概率的二分类算法。
猫狗识别
三、回归和分类的算法
回归(Regression)的算法:主要用于预测数值型数据。
分类(Classification)的算法:主要用于发现类别规则并预测新数据的类别。
本文章转载微信公众号@架构师带你玩转AI