回归简介

在本章中，我们将继续探讨监督机器学习中的另一项主要任务，即回归。

分类总是很好的起点，由于它在逻辑上是直观的。
"这是一张图片。告诉我它里面有什么物体。"
"这是一封电子邮件。告诉我它是垃圾邮件还是垃圾邮件。"
"这是医学测试的少量测量结果。告诉我这个人能否患有某种疾病。"

回归也非常直观，且展示方式更直观。比方：

这就是回归的一律。 “这里有少量点，现在告诉我适合这些点的线条或者曲线。”

参考资料

• 技术支撑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测试开发库 谢谢点赞！
• 本文相关海量书籍下载
• 2018最佳人工智能机器学习工具书及下载(持续升级)
• 本教程视频详情 https://itbooks.pipipan.com/fs/18113597-367675945
• 入门教材 https://itbooks.pipipan.com/fs/18113597-314076882
• 本教程目录 https://china-testing.github.io/ml_quick.html

回归与分类有何不同？

分类意味着您正在预测某个类别。

回归意味着你在预测数字。这个数字通常是线上的数字。
在回归中，数字实际上的确有意义。

• 示例1：高度与权重

通过身高体重。或者相反亦然。
当然，身材较高的人体重更大，因而体重更重。这种相关性并不完美，但多数情况的确如此。
例如，您可以想象恐龙的重量远远超过蚂蚁。

• 示例2：房价预测

房屋的价格可能与居民区的平均家庭收入以及该社区的犯罪率有关。它可能还取决于它的大小，它有多少卧室以及最后一次翻新的属性。当你有多个维度时，你预测的东西不再是一条线。

• 示例3：预测股票

股票市场的“规则”之一是你应该低买高卖。这样，你总能得到比你投入更多的钱。但很多人有情绪和恐惧。

分析会关注过去10天该股票的价格和新闻等。

代码简介

X是形状NxD的2D阵列，Y是长度为N的1D阵列.N =样本数，D =输入特征数。

首先，我们实例化模型。假设我们正在使用线性回归。

model = LinearRegression()

而后，我们通过调用fit并传入X和Y来训练模型。

model.fit(X, Y)

我们还可以通过调用预测函数来进行新的预测。

predictions = model.predict(X)

最后，我们可以通过调用score函数来评估模型。

model.score(X, Y)

一个细微差别是得分函数不再返回精确度，这只有在我们进行分类时才有意义。由于精确度只是＃correct / #total。
当我们有标签时，这是有道理的，由于假如你猜对了标签，那么你是正确的，否则，你不是。但对于回归，这没有意义。精确性可能不是最好的评估指标。通常，衡量回归模型性能的一种方法是使用均方误差(MSE mean squared error)。