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!