线性回归和逻辑回归

最近开始学习机器学习，有点心得体会，记录一下，希望大家批评指正

监督学习（supervised learning）

根据已有的数据集，知道输入和输出结果之间的关系。根据这种已知的关系，训练得到一个最优的模型。也就是说，在监督学习中训练数据既有特征(feature)又有标签(label)，通过训练，让机器可以自己找到特征和标签之间的联系，在面对只有特征没有标签的数据时，可以判断出标签。
通俗一点，可以把机器学习理解为我们教机器如何做事情。

监督学习的分类：回归(Regression）、分类（Classification)

回归（regression）——线性回归

回归问题是针对连续性变量的。例如预测房屋价格，根据数据集来画直线或者是二阶导数等来拟合数据，直线和曲线拟合出来的结果是不一样的，所以要不断训练学习，找到最合适的模型来拟合数据。

回归通俗一点就是，对已经存在的点（训练数据）进行分析，拟合出适当的函数模型y=f(x)，这里的y就是数据的标签，而对于一个新的自变量x，就是通过这个函数模型得到标签y。

分类（Classification) ——逻辑回归

( 线性回归可以预测连续值，但是不能解决分类问题，我们需要坐的是根据预测的结果来判定其属于正类还是负类。逻辑回归就是将线性回归的结果，通过sigmoid函数映射到（0，1）之间。所以说逻辑回归最终解决的是分类问题 )
和回归问题不同，分类问题是针对离散型变量的，输出的结果是有限的。例如，目前预测肿瘤是良性还是恶性的，恶性标为1，良性标为0。

简单来说，分类就是通过分析输入的特征向量，让一个新的向量得到标签，判定其数属于哪一类。