机器学习笔记-分类和回归的区别

机器学习笔记-分类和回归的区别

0x01 区别

分类和回归是机器学习里面的基本概念，虽然都是通过某种算法模型来推断给点样本数据的输出，但还是有很大区别。

• 分类
  分类问题往往是预测几个离散的值，比如预测一个人是亚洲人 非洲人 欧洲人 美洲人。
  分类，是一种定性输出，也叫离散变量预测。

要注意常用的回归模型之一：逻辑回归虽然名为回归，但其实是用sigmoid函数做的分类模型。

• 回归
  回归问题往往是预测一个特定的值，比如经典的用线性回归模型通过房子参数预测房价的例子，就是一个典型的回归问题。注意，回归是对真实值的一种逼近式的预测。
  回归，是一种定量输出，也叫连续变量预测。

0x02 举例

1. Logistic Regression 和 Linear Regression：

   • Linear Regression： 输出一个标量 wx+b，这个值是连续值，所以可以用来处理回归问题。
   • Logistic Regression：把上面的 wx+b 通过 sigmoid函数映射到(0,1)上，并划分一个阈值，大于阈值的分为一类，小于等于分为另一类，可以用来处理二分类问题。
   • 更进一步：对于N分类问题，则是先得到N组w值不同的 wx+b，然后归一化，比如用 softmax函数，最后变成N个类上的概率，可以处理多分类问题。

2. Support Vector Regression 和 Support Vector Machine:

   • SVR：输出 wx+b，即某个样本点到分类面的距离，是连续值，所以是回归模型。
   • SVM：把这个距离用 sign(·) 函数作用，距离为正(在超平面一侧)的样本点是一类，为负的是另一类，所以是分类模型。

3. 神经网络用于 分类 和 回归:

   • 用于回归：最后一层有m个神经元，每个神经元输出一个标量，m个神经元的输出可以看做向量 v，现全部连到一个神经元上，则这个神经元输出wv+b，是一个连续值，可以处理回归问题，跟上面 Linear Regression 思想一样。

   • 用于N分类：现在这m个神经元最后连接到 N 个神经元，就有 N 组w值不同的 wv+b，同理可以归一化（比如用 softmax ）变成
     N个类上的概率。

4. 拓展： 上面的例子其实都是从 prediction 的角度举例的，如果从training角度来看，分类模型和回归模型的目标函数不同，分类常见的是 log loss, hinge loss, 而回归是 square loss。

0x03 模型选择

下面是一个经常被引用的经典的模型选择图：

0xFF 参考文档

分类与回归区别是什么？
回归和分类的区别