深度学习中分类和回归的应用 分类算法和回归算法

1.机器学习的主要任务：
一是将实例数据划分到合适的分类中，即分类问题。 而是是回归， 它主要用于预测数值型数据，典型的回归例子：数据拟合曲线。

 

2.监督学习和无监督学习：

分类和回归属于监督学习，之所以称之为监督学习，是因为这类算法必须直到预测什么，即目标变量的分类信息。

 

对于无监督学习，此时数据没有类别信息，也不会给定目标值。在无监督学习中，将数据集合分成由类似的对象组成的多个类的过程被成为聚类；将寻找描述数据统计值的过程称之为密度估计。此外，无监督学习还可以减少数据特征的维度，以便我们可以使用二维或者三维图形更加直观地展示数据信息。

 

3.线性回归和非线性回归

　　线性回归需要一个线性模型。一个线性的模型意味着模型的每一项要么是一个常数，要么是一个常数和一个预测变量的乘积。一个线性等式等于每一项相加的和。等式：

Response = constant + parameter * predictor + ... + parameter * predictor　　<=>　　Y = b _o + b₁X₁ + b₂X₂ + ... + b_kX_k

在统计学中，如果一个回归方程是线性的，那么它的参数必须是线性的。但是可以转换预测变量加上平方，来使得模型产生曲线，比如 Y = b _o + b₁X₁ + b₂X₁²

这时模型仍然是线性的，虽然预测变量带有平方。当然加上log或者反函数也是可以的。

Khan公开课 - 统计学学习笔记：（九）线性回归公式，决定系数和协方差

线性回归等式有一个基本的形式，而非线性回归提供了许多灵活的曲线拟合方程。以下是几个MATLAB中的典型非线性方程例子。

非线性函数的一个例子就是高阶多项式（即多项式阶数p>1）：G = a _o + a₁X + a₂X^2+ ... + a_kX^k。其他类型的非线性函数可通过泰勒展开用多项式逼近表示。函数G在x₀处的线性近似为G(x₀)+G'(x₀)(x-x₀)。