1.回歸和分類都是有監督學習問題嘛？
分類與回歸，這兩者都屬於監督學習的範疇，都是學習的方法。之所以會去兩個不同的名字，就是因為其對應的輸出值形式不同，僅此而已。對於回歸任務其輸出值是連續的實數值，而對於分類任務其輸出值為離散的類別數。因此這兩者的本質是一樣的，僅僅是輸出形式不同而已。當然由於其輸出形式不同，在構建誤差函式（就是監督系統中的使得盒子往正確答案發展的驅動裝置）時會有區分，這裡對於分類和回歸的誤差函式的設計不多做介紹，後續會單獨聊一聊。
2.回歸問題和分類問題都有可能發生過擬合？
對發現了沒有？周志華老師用的是「是不是樹葉」這樣的分類問題舉例，andrew ng用的是「房價和房屋面積的關係」這樣的回歸問題舉例。這說明，分類和回歸都有可能過擬合。
3.對回歸問題和分類問題的評價，最常用的指標是準確率和召回率嘛？
錯
4.根椐歷史天氣**明天天氣（晴、陰、雨）？ 定性分析，是回歸問題，還是分類問題？
分類問題的應用場景（**的結果是離散的，例如**明天天氣-陰，晴，雨）
分類問題是用於將事物打上乙個標籤，通常結果為離散值。例如判斷一幅上的動物是乙隻貓還是乙隻狗，分類通常是建立在回歸之上，分類的最後一層通常要使用softmax函式進行判斷其所屬類別。分類並沒有逼近的概念，最終正確結果只有乙個，錯誤的就是錯誤的，不會有相近的概念。最常見的分類方法是邏輯回歸，或者叫邏輯分類。
5.線性回歸和邏輯回歸的區別？
1）線性回歸要求因變數服從正態分佈，logistic回歸對變數分布沒有要求。
2）線性回歸要求因變數（y）是連續性數值變數，而logistic回歸要求因變數是分型別變數。
3）線性回歸要求自變數和因變數呈線性關係，而logistic回歸不要求自變數和因變數呈線性關係
4）線性回歸是直接分析因變數與自變數的關係，而logistic回歸是分析因變數取某個值的概率與自變數的關係
來自 6.softmax回歸的作用？
softmax函式的本質就是將乙個k 維的任意實數向量壓縮（對映）成另乙個k維的實數向量，其中向量中的每個元素取值都介於（0，1）之間，並且壓縮後的k個值相加等於1(變成了概率分布)。在選用softmax做多分類時，可以根據值的大小來進行多分類的任務，如取權重最大的一維。softmax介紹和公式網上很多，這裡不介紹了。
深度學習學習筆記
神經網路的隱含層越多 模型引數越多，模型擬合能力更強，同時訓練的難度也會增加。減少模型引數的方法有兩種 逐層訓練和權重共享。權重共享思路是現有深度學習的基礎，它大大減少了模型的引數。深度學習並不需要很多的人工特徵工程，利用其強大的建模能力來代替，整個訓練的過程是端到端的過程 end to end 其...
深度學習入門筆記系列 三
本系列將分為 8 篇 今天是第三篇 主要講講感知器模型和 tensorboard 的基本使用方法 因為小詹之前寫過一篇感知器模型的介紹 這裡就不贅述了 tensorboard 是 tensorflow 自帶的視覺化結構管理和除錯優化網路的工具 在我們學習深度學習網路框架時 我們需要更直觀的看到各層網...
深度學習（三）
1 在調整超引數時，其中最終要的是 其次是動量 隱藏層單元以及mini batch，之後還可以調整層數跟學習率衰減 2 在深度學習中，隨機選擇引數的值可能更好一些，因為事先並不知道哪個引數相對比較重要，另乙個比較重要的原則是從粗略到精細，到大體確定了超引數的範圍，再在這個範圍內進行隨機取值，獲得更加...