回归(regression)是最简单的监督学习任务之一。假设有一组房屋销售数据表格，其中每行对应一个房子， 每列对应一个相关的属性，例如房屋的面积、卧室的数量、浴室的数量以及到镇中心的步行距离，等等。每 一行的属性构成了一个房子样本的特征向量。如果一个人住在纽约或旧金山，而且他不是亚马逊、谷歌、微 软或Facebook的首席执行官，那么他家的特征向量(房屋面积，卧室数量，浴室数量，步行距离)可能类似 于:[600, 1, 1, 60]。如果一个人住在匹兹堡，这个特征向量可能更接近[3000, 4, 3, 10]⋯⋯当人们在市场上寻找 新房子时，可能需要估计一栋房子的公平市场价值。为什么这个任务可以归类为回归问题呢?本质上是输出 决定的。销售价格(即标签)是一个数值。当标签取任意数值时，我们称之为回归问题，此时的目标是生成 一个模型，使它的预测非常接近实际标签值。
生活中的许多问题都可归类为回归问题。比如，预测用户对一部电影的评分可以被归类为一个回归问题。这 里有一个小插曲:在2009年，如果有人设计了一个很棒的算法来预测电影评分，那可能会赢得100万美元的奈 飞奖12 。再比如，预测病人在医院的住院时间也是一个回归问题。总而言之，判断回归问题的一个很好的经 验法则是，任何有关“有多少”的问题很可能就是回归问题。比如:
• 这个手术需要多少小时;
• 在未来6小时，这个镇会有多少降雨量。
网友评论