回归、拟合、分类的基本概念、常见方法及应用场景

（1）回归： 回归：找数据点之间关系的分析方法就是回归。 回归算法是一种比较常用的机器学习算法，用来表示自变量X和因变量Y之间的关系。从机器学习的角度，构建一个算法模型来做属性X与标签Y之间的映射关系。回归分析是一种数学模型。当因变量和自变量为线性关系时，它是一种特殊的线性模型。 最简单的情形是一元线性回归，由大体上有线性关系的一个自变量和一个因变量组成；模型是Y=a+bX+ε（X是自变量，Y是因变量，ε是随机误差）。 通常假定随机误差的均值为0，方差为σ2（σ2﹥0，σ^2与X的值无关）。若进一步假定随机误差遵从正态分布，就叫做正态线性模型。一般的，若有k个自变量和1个因变量，则因变量的值分为两部分：一部分由自变量影响，即表示为它的函数，函数形式已知且含有未知参数；另一部分由其他的未考虑因素和随机性影响，即随机误差。 当函数为参数未知的线性函数时，称为线性回归分析模型；当函数为参数未知的非线性函数时，称为非线性回归分析模型。当自变量个数大于1时称为多元回归，当因变量个数大于1时称为多重回归。

常用算法： 1、Linear Regression Algorithm(线性回归)  2、Local Weighted Regression(局部加权回归) 3、k-Nearest Neighbor Algorithm for Regression(回归k近邻)

应用场景： 1、房价预测 2、销售量预测 3、餐厅访客预测

（2）分类： 分类本质：给定一个对象X，将其划分到预定义好的某一个类别Yi中的算法。 给定两组数据点：分别为A和B,其中A标记为圆圈；B标记为叉号；我们要做的就是选取一种函数可以将这两种数据分开，使得后续的数据可以明确的知道自己属于哪个组，这就是分类问题。

常用算法：

应用场景 1、O2O优惠券使用预测； 2、市民出行选乘公交预测； 3、待测微生物种类判别； 4、基于运营商数据的个人征信评估 5、商品图片分类； 6、广告点击行为预测； 7、基于文本内容的垃圾短信识别； 8、中文句子类别精准分析； 9 、P2P网络借贷平台的经营风险量化分析； 10、国家电网客户用电异常行为分析； 11、自动驾驶场景中的交通标志检测； 12、大数据精准营销中搜狗用户画像挖掘； 13、基于视角的领域情感分析； 14、监控场景下的行人精细化识别； 15、用户评分预测； 16、猫狗识别大战； 17、微额借款用户人品预测； 18、验证码识别； 19、客户流失率预测； 20、汽车4S店邮件营销方案；

（3）拟合

拟合：形象的说，拟合就是把平面上一系列的点，用一条光滑的曲线连接起来。因为这条曲线有无数种可能，从而有各种拟合方法。拟合的曲线一般可以用函数表示，根据这个函数的不同有不同的拟合名字。 拟合、插值和逼近是数值分析的三大基础工具， 它们的区别在于： 拟合是已知点列，从整体上靠近它们； 插值是已知点列并且完全经过点列； 逼近是已知曲线，或者点列，通过逼近使得构造的函数无限靠近它们。

拟合方法： 1、多项式拟合； 2、非线性最小二乘法拟合

应用场景： 建模分析，提取特征参数