知识卡片
分类:离散值与标签
分类与回归的关键区别在于输出类型:分类是对离散值判断其所属类别。训练数据不仅要带属性值(特征),还要带对应的标签(类别),学习的本质就是找出特征与标签之间的映射关系;此后遇到只有特征、没有标签的新数据,模型就能预测其标签。常见算法包括决策树、逻辑回归、朴素贝叶斯、神经网络。典型场景有商品图片自动识别、广告点击预测、垃圾短信与邮件识别、客户画像精准营销。要注意分类需要事先知道类别集合,并且训练标签的质量直接决定模型上限——若标签标错,模型会学到错误映射。推荐系统则更复杂,是分类与回归叠加、并结合业务规则的综合性场景,并非单纯依赖算法。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 机器学习入门 1.2.2 机器学习可解决的问题 · 查看原书依据
分类任务则是对离散值进行分类并判断预测值的所属类别 。在这类任务中,输入的训练数据不但要有属性值(特征),还需要有对应的标签(类别)。所谓的学习,本质就是找到这一堆特征值和标签之间的关系。
参考来源
- 位置:《产品经理进阶:100个案例搞懂人工智能 (林中翘)》第1章《机器学习入门》(源文件:`../../book-sources/extracted/产品经理进阶:100个案例搞懂人工智能 (林中翘)/_epub-src/OEBPS/text00006.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292)
- 结论依据:1.2.2 段把分类定义为对离散值分类并判断所属类别,强调训练数据需同时有特征和标签,1.5 段又以数据源类型区分预测与分类,共同支撑本卡结论。
- 原始内容:分类任务则是对离散值进行分类并判断预测值的所属类别 。在这类任务中,输入的训练数据不但要有属性值(特征),还需要有对应的标签(类别)。所谓的学习,本质就是找到这一堆特征值和标签之间的关系。