【分类|回归】深度学习中的分类和回归?离散数据or连续数值?
【分类|回归】深度学习中的分类和回归?离散数据or连续数值?
文章目录
前言
在机器学习和深度学习中,分类问题和回归问题是两类基本任务。两者的区别在于输出的类型:分类问题的输出是离散的类别标签,而回归问题的输出是连续的数值。
1.分类问题
1.1分类问题的定义
分类问题是指给定输入数据,模型需要将其划分为多个类别中的一个。例如,判断一张图片是猫还是狗,这是一个二分类问题(Binary Classification);而预测一幅手写数字图片的数字是0到9中的哪个,这是多分类问题(Multiclass Classification)。
1.2深度学习中的分类问题
深度学习处理分类问题的常用方法是使用神经网络 模型,尤其是卷积神经网络(CNN) ,如果是图像处理问题。在分类问题中,最后一层通常是Softmax激活函数,将网络输出转换为概率分布,表示属于每个类别的概率。
1.3实际分类问题及代码示例:手写数字识别(MNIST)
MNIST 是一个手写数字数据集,包含 28x28 的灰度图像和对应的类别标签(0-9)。
代码示例:
csharp
import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import datasets, transforms
from torch.utils.data import DataLoader
# 定义一个简单的卷积神经网络
class SimpleCNN(nn.Module):
def __init__(self):
super(SimpleCNN, self).__init__()
self.conv1 = nn.Conv2d(1, 32, 3, padding=1)
self.conv2 = nn.Conv2d(32, 64, 3, padding=1)
self.fc1 = nn.Linear(64*7*7, 128)
self.fc2 = nn.Linear(128, 10)
def forward(self, x):
x = torch.relu(self.conv1(x))
x = torch.max_pool2d(torch.relu(self.conv2(x)), 2)
x = x.view(-1, 64*7*7)
x = torch.relu(self.fc1(x))
x = self.fc2(x)
return torch.log_softmax(x, dim=1)
# 数据预处理和加载
transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))])
train_dataset = datasets.MNIST(root='./data', train=True, download=True, transform=transform)
train_loader = DataLoader(dataset=train_dataset, batch_size=64, shuffle=True)
# 定义模型、损失函数和优化器
model = SimpleCNN()
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)
# 训练模型
for epoch in range(1, 6):
for batch_idx, (data, target) in enumerate(train_loader):
optimizer.zero_grad()
output = model(data)
loss = criterion(output, target)
loss.backward()
optimizer.step()
if batch_idx % 100 == 0:
print(f'Epoch {epoch}, Batch {batch_idx}, Loss: {loss.item()}')
代码解释:
- 1.定义卷积神经网络 :
SimpleCNN
是一个简单的CNN,用于处理图像数据,包含两个卷积层和两个全连接层。最后一层输出的维度为10,表示10个类别(数字0到9)。 - 2.前向传播(forward) :图像输入后经过卷积、池化、展平,再经过全连接层,最后通过
log_softmax
输出每个类别的对数概率。 - 3.数据预处理 :使用
transforms.ToTensor
将图像数据转换为张量,并进行归一化。 - 4.损失函数 :使用交叉熵损失函数
CrossEntropyLoss
,适合多分类问题。 - 5.优化器:Adam优化器用于梯度更新。
- 6.模型训练:循环训练模型,计算损失并进行梯度更新。
1.4分类问题的处理方法
- 模型选择:适合分类的模型有逻辑回归(LR)、支持向量机(SVM)、决策树、随机森林等,深度学习中常用的是神经网络。
- 激活函数 :最后一层通常使用 Softmax 激活函数,将模型输出的值转换为概率分布。
- 损失函数:交叉熵损失函数适合分类任务。
2.回归问题
2.1回归问题的定义
回归问题的目标是预测一个连续的数值。典型的回归问题包括预测房价、股票价格、温度等。例如,给定一个地区的房屋面积、卧室数量等特征,预测房屋的价格。
2.2深度学习中的回归问题
在回归问题中,深度学习模型通常使用全连接神经网络(Fully Connected Neural Networks),输出层的激活函数可以是线性函数(Linear Activation),输出一个连续值。
2.3实际回归问题及代码示例:房价预测
假设我们使用一个简化的数据集,包含房屋面积、卧室数量等特征,来预测房价。
代码示例:
csharp
import torch
import torch.nn as nn
import torch.optim as optim
import numpy as np
# 创建简单的回归模型
class SimpleRegressionModel(nn.Module):
def __init__(self):
super(SimpleRegressionModel, self).__init__()
self.fc1 = nn.Linear(2, 128)
self.fc2 = nn.Linear(128, 64)
self.fc3 = nn.Linear(64, 1)
def forward(self, x):
x = torch.relu(self.fc1(x))
x = torch.relu(self.fc2(x))
x = self.fc3(x) # 回归输出不需要激活函数
return x
# 模拟房价数据 (面积, 卧室数量)
data = np.array([[1200, 3], [1500, 4], [1700, 3], [2100, 4], [2500, 5]], dtype=np.float32)
prices = np.array([300000, 400000, 425000, 525000, 600000], dtype=np.float32)
# 转换为PyTorch的张量
data_tensor = torch.from_numpy(data)
prices_tensor = torch.from_numpy(prices).view(-1, 1)
# 定义模型、损失函数和优化器
model = SimpleRegressionModel()
criterion = nn.MSELoss() # 均方误差损失
optimizer = optim.Adam(model.parameters(), lr=0.01)
# 训练模型
for epoch in range(1, 101):
optimizer.zero_grad()
output = model(data_tensor)
loss = criterion(output, prices_tensor)
loss.backward()
optimizer.step()
if epoch % 10 == 0:
print(f'Epoch {epoch}, Loss: {loss.item()}')
代码解释:
- 1.定义回归模型 :
SimpleRegressionModel
是一个简单的三层全连接网络,输入维度为2(房屋面积和卧室数量),输出维度为1(房价)。 - 2.数据准备:模拟了一个小的房屋数据集,包含面积和卧室数量作为特征,房价作为标签。将数据转换为PyTorch的张量。
- 3.损失函数:使用均方误差损失(MSELoss),这是回归问题的常用损失函数,衡量预测值与真实值的差异。
- 4.优化器:Adam优化器,用于更新模型的权重。
- 5.模型训练:每个epoch中,计算预测结果与实际值的损失,通过反向传播更新权重。
2.4回归问题的处理方法
- 模型选择:适合回归的模型包括线性回归、决策树回归、支持向量回归(SVR)、深度学习中的全连接神经网络等。
- 激活函数:回归任务的输出层通常不使用激活函数,直接输出一个连续值。
- 损失函数:常用均方误差损失函数(MSE)来优化回归模型。
总结
- 分类问题的输出是离散的类别标签,处理方法包括Softmax激活函数和交叉熵损失函数,常用于图像分类、文本分类等任务。
- 回归问题的输出是连续值,处理方法包括线性激活函数和均方误差损失函数,适用于房价预测、股票价格预测等连续值预测问题。