回归预测算法不会识别变量
例如，可以为某个特定动物分配 0.9 的概率，即它是狗，0.1 的概率，即它是猫。
这仅仅意味着该动物是狗的可能性更高。
在这种情况下，通过选择具 电话号码数据库 有较高/最高概率的概率，将预测概率转换为离散类值。
2.回归
的“类别”，而是根据历史数据为其分配数量/数字。
它利用历史关系数据中独立变量和因变量之间的关系来预测数量。
一个常见的例子是预测某一天的温度或预测商品随时间变化的价格。
回归中的数据点具有连续值，例如“10,000 美元到 50,000 美元”。
该图显示了如何通过所有数据点绘制一条直线以描绘线性关系，这称为线性回归。
现在，如果系统遇到一 将您收到的信息与您所个年龄值，比如 10，而我们没有任何训练数据示例，系统仍然可以根据历史关系预测一个连续的数值，比如 1.3 – 1.4。
监督学习涉及的步骤
1. 确定训练示例的类型
例如，决定要输入 销售线索的鞋子和袜子图像或猫和狗样本的类型进行训练
2.准备/收集训练数据
必须收集所有以标记形式呈现的输入和输出值。该集合应能够代表该函数的实际应用。
例如，如果现实世界中某种品种的狗占 30%，那么训练数据中的百分比不应该是 60%。
即使对于半监督学习，虽然大部分数据没有标记，但它仍然应该与现实世界的情况相关。