李宏毅机器学习课程笔记-4.1分类简介及其与回归的区别
分类模型应用案例（Classification Cases）
- 信用评分（Credit Scoring）
- 输入：收入、储蓄、职业、年龄、信用历史等等
- 输出：是否贷款
- 医疗诊断（Medical Diagnosis）
- 输入：现在症状、年龄、性别、病史
- 输出：哪种疾病
- 手写文字识别（Handwritten Character Recognition）
- 输入：文字图片
- 输出：是哪一个汉字
- 人脸识别（Face Recognition）
- 输入：面部图片
- 输出：是哪个人
把分类当成回归去做？
不行。
-
假设有两个类别，其中类别1的标签为1，类别2的标签为-1，那0就是分界线，大于0就是类别1，小于0就是类别2。
回归模型会惩罚那些太正确的样本。如果结果远远大于1，它的分类应该是类别1还是类别2？这时为了降低整体误差，需要调整已经找到的回归函数，就会导致结果的不准确。
-
假设有多个类别，类别1的标签是1，类别2的标签是2，类别3的标签是3。
这样的话，标签间具有2和3相近、3大于2这种本来不存在的数字关系。
理想替代方案（Ideal Alternatives）
-
模型
模型可以根据特征判断类型，输入是特征，输出是类别
-
损失函数
预测错误的次数，即\(L(f)=\sum_n\delta(f(x^n)\neq\hat y^n)\)。
这个函数不可微
-
如何找到最好的函数
比如感知机（Perceptron）、支持向量机（SVM）
Github（github.com）：@chouxianyu
Github Pages（github.io）：@臭咸鱼
知乎（zhihu.com）：@臭咸鱼
博客园（cnblogs.com）：@臭咸鱼
B站（bilibili.com）：@绝版臭咸鱼
微信公众号：@臭咸鱼的快乐生活
转载请注明出处，欢迎讨论和交流!
