機器學習快速入門3迴歸
迴歸簡介
在本章中，我們將繼續討論監督機器學習中的另一項主要任務，即迴歸。
分類總是很好的起點，因為它在邏輯上是直觀的。
"這是一張圖片。告訴我它裡面有什麼物體。"
"這是一封電子郵件。告訴我它是垃圾郵件還是垃圾郵件。"
"這是醫學測試的一些測量結果。告訴我這個人是否患有某種疾病。"
迴歸也非常直觀，且展現方式更直觀。比如：
圖片.png
圖片.png
這就是迴歸的全部。 “這裡有一些點，現在告訴我適合這些點的線條或曲線。”
參考資料
- 技術支援qq群630011153 144081101
- 本文最新版本地址 https://china-testing.github.io/ml_quick1.html
- 本文涉及的python測試開發庫 謝謝點贊！
- 本文相關海量書籍下載
- 2018最佳人工智慧機器學習工具書及下載(持續更新)
- 本教程視訊介紹 https://itbooks.pipipan.com/fs/18113597-367675945
- 入門教材 https://itbooks.pipipan.com/fs/18113597-314076882
- 本教程目錄 https://china-testing.github.io/ml_quick.html
迴歸與分類有何不同？
分類意味著您正在預測某個類別。
迴歸意味著你在預測數字。這個數字通常是線上的數字。
在迴歸中，數字實際上確實有意義。
- 示例1：高度與權重
圖片.png
通過身高體重。或相反亦然。
當然，身材較高的人體重更大，因此體重更重。這種相關性並不完美，但多數情況確實如此。
例如，您可以想象恐龍的重量遠遠超過螞蟻。
- 示例2：房價預測
房屋的價格可能與居民區的平均家庭收入以及該社群的犯罪率有關。它可能還取決於它的大小，它有多少臥室以及最後一次翻新的屬性。當你有多個維度時，你預測的東西不再是一條線。
- 示例3：預測股票
股票市場的“規則”之一是你應該低買高賣。這樣，你總能得到比你投入更多的錢。但很多人有情緒和恐懼。
分析會關注過去10天該股票的價格和新聞等。
程式碼簡介
X是形狀NxD的2D陣列，Y是長度為N的1D陣列.N =樣本數，D =輸入特徵數。
首先，我們例項化模型。假設我們正在使用線性迴歸。
model = LinearRegression()
然後，我們通過呼叫fit並傳入X和Y來訓練模型。
model.fit(X, Y)
我們還可以通過呼叫預測函式來進行新的預測。
predictions = model.predict(X)
最後，我們可以通過呼叫score函式來評估模型。
model.score(X, Y)
一個細微差別是得分函式不再返回準確度，這隻有在我們進行分類時才有意義。因為準確度只是＃correct / #total。
當我們有標籤時，這是有道理的，因為如果你猜對了標籤，那麼你是正確的，否則，你不是。但對於迴歸，這沒有意義。準確性可能不是最好的評估指標。通常，衡量回歸模型效能的一種方法是使用均方誤差(MSE mean squared error)。