支持向量機(jī)回歸與分類的區(qū)別？分類和回歸問題都需要根據(jù)訓(xùn)練樣本找到實(shí)值函數(shù)g（x）。回歸問題的要求是：給定一個(gè)新的模式，根據(jù)訓(xùn)練集推斷出相應(yīng)的輸出y（實(shí)數(shù)）。換句話說，y=g（x）用于推斷任何輸入x的相

支持向量機(jī)回歸與分類的區(qū)別？

分類和回歸問題都需要根據(jù)訓(xùn)練樣本找到實(shí)值函數(shù)g（x）?；貧w問題的要求是：給定一個(gè)新的模式，根據(jù)訓(xùn)練集推斷出相應(yīng)的輸出y（實(shí)數(shù)）。

換句話說，y=g（x）用于推斷任何輸入x的相應(yīng)輸出值。分類問題是：給定一個(gè)新模式，根據(jù)訓(xùn)練集推斷其相應(yīng)的類別（如：1，-1）。也就是說，用y=sign（g（x））來推斷任何輸入x對應(yīng)的類別，綜上所述，回歸問題和分類問題的本質(zhì)是一樣的，唯一的區(qū)別是它們的輸出值范圍不同。在分類問題中，只有兩個(gè)值可以作為輸出，而在回歸問題中，任何實(shí)數(shù)都可以作為輸出。

java開發(fā)，轉(zhuǎn)大數(shù)據(jù)好還是機(jī)器學(xué)習(xí)？

謝謝。我建議轉(zhuǎn)向大數(shù)據(jù)。

我也從事java開發(fā)，我對這個(gè)主題的糾纏也有同樣的感受。畢竟，如果我精通Java，我已經(jīng)付出了大量的學(xué)習(xí)精力。如果我學(xué)習(xí)機(jī)器學(xué)習(xí)，我基本上想告別Java，這無疑是一個(gè)非常不幸的選擇。

此外，轉(zhuǎn)向機(jī)器學(xué)習(xí)不僅需要深入了解python，還需要掌握數(shù)學(xué)算法，這是不可能一蹴而就的。因此，轉(zhuǎn)向人工智能的風(fēng)險(xiǎn)相對較高，很容易打亂一個(gè)人的職業(yè)規(guī)劃。

目前，大數(shù)據(jù)方向仍是一個(gè)需求量大、前景好的工作方向。Java廣泛應(yīng)用于大數(shù)據(jù)領(lǐng)域。單憑Hadoop生態(tài)系統(tǒng)就足以完成大量的大數(shù)據(jù)工作，而Hadoop和Java是分不開的。

最重要的是大數(shù)據(jù)方向不會(huì)低于機(jī)器學(xué)習(xí)的工資，機(jī)器學(xué)習(xí)還處于初級階段。別擔(dān)心工資問題。

Java程序員可以轉(zhuǎn)換到人工智能領(lǐng)域嗎？

首先，你需要數(shù)學(xué)基礎(chǔ)：高等數(shù)學(xué)、線性代數(shù)、概率論、數(shù)理統(tǒng)計(jì)與隨機(jī)過程、離散數(shù)學(xué)、數(shù)值分析

其次，你需要算法的積累：人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、，遺傳算法和其他算法；當(dāng)然，在各個(gè)領(lǐng)域也需要算法，比如SLA研究，如果你想讓機(jī)器人在定位環(huán)境M中導(dǎo)航和建立自己的地圖，總之，很多算法需要時(shí)間積累；

那么，你至少需要掌握一種編程語言。畢竟，算法的實(shí)現(xiàn)還需要編程；如果你深入到硬件，一些基礎(chǔ)的電氣課程是必不可少的；

人工智能一般需要研究生來學(xué)習(xí)，這門課程只是簡單的一瞥。畢竟，必修的基礎(chǔ)課太多了。