机器学习总结（一）——回归问题概述

回归问题

概述

在机器学习的有监督学习中，将问题分为两类：一类是分类，另一类叫回归。
那什么是有监督学习呢？
我的理解就是：利用以往有标签的数据，进行学习的，叫作有监督学习；相反，无监督学习就是在一堆没有标签的数据中，进行学习的，叫作无监督学习。
有监督学习和无监督学习的区别是？
有监督学习分训练集合测试集，在一堆有标签的训练集中“寻找”规律，然后再测试集中使用这种规律；无监督学习只有一组数据，进行寻找规律。
什么是分类问题？
我的理解是，将一堆数据，以某种标准进行分类。最后每个数据都是类别中的一个。以银行贷款结果为例，银行是否贷款给你。最后只有两类结果：贷给你、不贷给你。
分类结果是离散的！
什么是回归问题呢？
我的理解是，通过有监督学习，在训练集中学习到了某种规律，我通过这种规律，对测试集中的数据进行预测。最后的结果是千变万化的，并不像分类问题会有固定的类别，结果取决你训练集中总结的规律和测试集中输入的数据。以银行为例，人们去贷款，到底能贷多少钱呢？有可能贷5210元，也有可能1314521元，这没有固定类别。
回归问题是连续的！

抛出问题

那我们如何处理这个问题呢？
我们可以建立回归方程，$Y=X_1{\ominus }_1+X2{\ominus }_2$
$X1、X2、Y$我们都有了，那么我们这个方程现在需要确定${\ominus }_1$和${\ominus }_2$这两个参数！

我们的目的就是：建立一个回归方程，尽可能的拟合多的数据！！！这样就证明这个方程符合大部分数据，具有一般规律。

误差项定义

拟合平面中核心影响因素是：${\ominus }_1、{\ominus }_2$参数，而
${\ominus }_0$只是微调。
在AI编程中，我们经常使用矩阵进行处理。就是一项乘上一项的形式。
所以：


$X_0$数据全部填充为1
这样我们的回归方程就可以，表示成下面矩阵相乘的这种形式了


建立好回归方程（也可以叫做拟合平面）之后，我们输入$X_1、X_2$之后，Y自然就确定了，Y叫做预测值。但是有时候预测出来的Y值会和真实数据的Y值不一致，他们之间的差距叫做ε。
叫做误差，当然误差ε越小越好，这样证明咋们建立的回归方程预测精准！