そんなこと知ってる：
しかし、私を混乱させるのは：
誰でも私がこれを理解するのを助けることができますか?
1）データには入力と出力の両方が含まれているため、線形回帰は監視されています（つまり）。たとえば、ディーラーでの車の販売に関するデータセットがあるとします。車ごとに、メーカー、モデル、価格、色、割引などがありますが、各車の販売台数を持っています。このタスクが監視されていない場合、メーカー、モデル、価格、色など (実際の販売数ではない) だけを含むデータセットが得られ、最善の方法はデータをクラスター化することです。この例は完璧ではありませんが、全体像を把握することを目的としています。メソッドが監視されているかどうかを判断するときに自問する良い質問は、「入力の品質を判断する方法はありますか?」ということです。線形回帰データがあれば、間違いなく可能です。入力データの関数 (この場合は線) の値を評価して、出力を推定するだけです。他の場合はそうではありません。
2) ロジスティック回帰は、実際には回帰ではありません。この名前は誤解を招きやすく、実際に多くの混乱を招きます。通常、バイナリ予測にのみ使用されるため、分類タスクには最適ですが、それ以外には使用されません。
線形回帰は監視されます。既知の従属変数 (ラベル) を持つデータセットから開始し、モデルをトレーニングしてから、後で適用します。家の価格など、実数を予測しようとしています。
ロジスティック回帰も監視されます。その名前にもかかわらず、回帰手法というよりも分類器です。誰かが死ぬ確率など、クラス メンバーシップの確率比を予測しようとしています。
教師なし学習の例には、クラスタリングと関連分析が含まれます。