# 使用 TensorFlow 進行經典機器學習 機器學習是計算機科學領域，涉及算法的研究，開發和應用，以使計算機器從數據中學習。計算機學習的模型用于進行預測和預測。機器學習研究人員和工程師通過構建模型然后使用這些模型進行預測來實現這一目標。現在眾所周知，機器學習已成功地應用于各種領域，如自然語言理解，視頻處理，圖像識別，語音和視覺。 我們來談談模型。所有機器學習問題都以一種或另一種形式抽象為以下等式：  這里，`y`是輸出或目標，`x`是輸入或特征。如果`x`是一組特征，我們也將其稱為特征向量，并用`X`表示。當我們說模型時，我們的意思是找到將特征映射到目標的函數`f`。因此，一旦我們找到`f`，我們就可以使用`x`的新值來預測`y`的值。 機器學習的核心是找到可用于從`x`的值預測`y`的函數`f`。正如您可能從高中數學周期回憶的那樣，該線的等式如下：  我們可以重寫前面的簡單等式如下：  這里，`W`稱為權重，`b`稱為偏差。不要擔心現在的權重和偏置，我們稍后會介紹它們。現在，您可以將`W`視為等效于`m`和`b`等效于`c`。因此，現在機器學習問題可以說是從`X`的當前值找到`W`和`b`的問題，這樣該方程可用于預測`y`的值。 回歸分析或回歸建模是指用于估計變量之間關系的方法和技術。輸入到回歸模型的變量稱為獨立變量或預測變量或特征，而回歸模型的輸出變量稱為因變量或目標。回歸模型定義如下：  其中`Y`是目標變量，`X`是特征向量，`β`是參數向量 通常，我們使用一種非常簡單的回歸形式，稱為簡單線性回歸來估計參數 β。 在機器學習問題中，我們必須從給定數據中學習模型參數 `β0`和`β1`，以便我們有一個估計模型，從`X`的未來值預測`Y`的值。我們對偏置使用`β1`，對權重項使用`β0`，分別用`w`和`b`代表它們。 因此模型如下：  分類是機器學習中的經典問題之一。正在考慮的數據可以屬于一個或其他類別，例如，如果提供的圖像是數據，則它們可以是貓或狗的圖片。因此，在這種情況下，類別是貓和狗。分類是指識別或識別所考慮的數據或對象的標簽或類別。分類屬于監督機器學習的范疇。在分類問題中，提供具有特征或輸入及其相應輸出或標簽的訓練數據集。使用該訓練數據集，訓練模型;換句話說，計算模型的參數。然后將訓練的模型用于新數據以找到其正確的標簽。 分類問題可以有兩種類型：**兩類**或**多類**。兩類意味著數據被分類為兩個不同且不連續的標簽，例如，患者患有癌癥或患者沒有癌癥，圖像是貓或狗。多類意味著數據將被分類到多個類別中，例如，電子郵件分類問題會將電子郵件分成社交媒體電子郵件，與工作相關的電子郵件，個人電子郵件，與家人相關的電子郵件，垃圾郵件，購物優惠電子郵件等等。 。另一個例子是數字圖片的例子;每張圖片可以標記在 0 到 9 之間，具體取決于圖片所代表的數字。在本章中，我們將看到兩種分類的示例。 在本章中，我們將進一步擴展以下主題： * 回歸 * 簡單的線性回歸 * 多元回歸 * 正則化回歸 * 套索正則化 * 嶺正則化 * ElasticNet 正則化 * 分類 * 使用邏輯回歸進行分類 * 二分類 * 多類分類