關系說明，深度學習分成監(jiān)督學習和非監(jiān)督學習，監(jiān)督學習分成分類和回歸。

先來了解什么是監(jiān)督學習

首先我們應該明確什么是回歸問題。為了更好的理解回歸問題我們需要先了解其的所屬于的大類監(jiān)督學習。

我們首先來看一下監(jiān)督學習是怎么做的，監(jiān)督學習并不是指人站在機器旁邊看機器做的對不對，而是下面的流程：
1.選擇一個適合目標任務的數(shù)學模型
2.先把一部分已知的“問題和答案”（訓練集）給機器去學習
3.機器總結出了自己的“方法論”
4.人類把"新的問題"（測試集）給機器，讓他去解答

這個過程中，其實就隱含了一個我們不太好注意到的要點，就是為我們其實是明確輸出的數(shù)據(jù)集是對應什么的例如我們可以清楚地給這個過程打各種標簽，所以是監(jiān)督學習，有明確的標簽存在。

所以是否有標簽就是是否為監(jiān)督學習的標記。例如：在聚類開始之前，我們是并不清楚有多少類的情況。

之后再來看什么是回歸分析

回歸（regression）是監(jiān)督學習的一種，回歸分析的任務是通過訓練數(shù)據(jù)集D學習到一個模型T，使得模型T能夠盡量擬合訓練數(shù)據(jù)集D，并且對于新的輸入數(shù)據(jù)x，應用模型T能夠得到預測結果f(x)。

回歸與分類是監(jiān)督學習的兩種形式，它們的區(qū)別在于回歸的預測值是一連續(xù)的實數(shù)，而分類的預測值是離散的類別數(shù)據(jù)。
或者說回歸問題的預測結果是連續(xù)的，比如說要預測某一天的氣溫，那預測出來24小時的溫度就是連續(xù)的，而分類問題通常用于給事物打上一個標簽，比如貓和狗的分類問題。

今天跟著莫煩Python學習搭建了一個簡單的回歸問題的神經(jīng)網(wǎng)絡

實驗的結果如下圖所示，通過不斷訓練模型，最終可以看到紅色的曲線擬合數(shù)據(jù)集的結果，而且損失函數(shù)在不斷地減小，說明預測值和真實值的誤差在不斷地減小。漸漸的我們的得到的函數(shù)越來越接近實際情況。

《新程序員》：云原生和全面數(shù)字化實踐50位技術專家共同創(chuàng)作，文字、視頻、音頻交互閱讀

總結

以上是生活随笔為你收集整理的回归分析笔记（1）的全部內容，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)站內容還不錯，歡迎將生活随笔推薦給好友。