6、回归与分类及卷积神经网络入门

回归与分类及卷积神经网络入门

1. 回归与分类基础

• 回归误差分析 ：在回归任务中，我们可以绘制预测值与真实值之间的误差。以预测燃料效率为例，通过 error = y_pred - test_labels 计算误差，再使用 plt.hist(error, bins=30) 绘制误差直方图，直观展示预测误差的分布情况。对于多元回归问题，最后一层的密集层单元数量应与要预测的变量数量相同。例如，若要根据学生的 SAT 分数、出勤率和家庭参数预测本科四年的 GPA 分数，输出层就需要有四个单元。
• 分类与回归的区别
  • 数据处理方式 ：分类是将数据分组到不同的类别或范畴中，而回归的目标是为给定数据获取连续的数值。例如，识别手写数字属于分类任务，所有手写数字都属于 0 - 9 这十个数字之一；根据不同输入变量预测房价则是回归任务。
  • 模型目标 ：在分类任务中，模型要找到区分不同类别的决策边界；在回归任务中，模型要近似一个拟合输入 - 输出关系的函数。
  • 包含关系 ：分类是回归的一个子集，分类实际上是在预测类别，而回归更为通用。

2. 逻辑回归

• 原理 ：逻辑回归用于确定事件发生的概率，事件通常用分类因变量表示，概率通过 sigmoid（或