即使对于逻辑、数学或编程领域之外的人来说，分类也是直观的。你有一组 N 个 对象，它们有 X 个类别（例如，帽子、狗、裤子等）。将这些对象移到各自的类别就是分类。 ，机器学习模型仍在进行预测。它们永远无法 100% 确定所提供对象的本质。
回归稍微复杂一些，需要一些数学知 巴西电话号码数据 识来解释。假设你想测量员工年龄（X）和工资（Y）之间的相关性。收集所需的数据意味着你将得到一组值对（X:Y）。如果是简单的线性回归，它可以表示为：
是未知系数。基于回归的机器学习模型将找到这些。
一个简单的解决方案是将这些数据点绘制在图表上。通常，它们看起来像这样：
来源： JavaTpoint
找到这些系数通常并不那么简单，因为当引入更多数据时它们会发生变化。但是，有一些奇特的统计工具可用于最大限度地提高准确性：均方误差 (MSE) 和梯度下降。简化它（大大简化），我们基本上选择两个随机系数并画一条线。然后分别计算每个点及其到线的距离平方。之后，重复该过程多次以最小化点和线之间的平均距离（也称为成本函数）。
我不会深入讨论统计数据。重要的是，经过充分的训练后，机器学习模型将能够仅根据一组变量提供预测。继续这个例子，它将能够仅根据一组年份来预测工资（反之亦然）。
这两个是机器学习模型中最受欢迎的选项。当然，它们可能要复杂得多，并且需要通过几套工具来解决问题。我在这里避免提及其中一些（例如，聚类和降维），因为它们是不太受欢迎的选项。