-2023-04-22 00:22:37
-老师，在机器学习中，supervised/unsupervised methods中，有些适用于linearity，有些适用于non-linearity，那么这里对应的linearity和non-linearity具体是什么呢？可以分别举例子吗？谢谢。
回答（1）
最佳
爱吃草莓的葡萄2023-04-23 10:42:01
爱吃草莓的葡萄同学你好。即数据是否是线性的，可以把它理解为数据复杂程度（非线性数据比较复杂）。如果数据是线性数据，例如Y=b0X，我们是不是很好建模预测。但是如果是非线性数据，首先不好建模，例如算法可能很精准的将样本内的数据进行模拟得到二次方形式，但是这组数据预测可能在二次方基础上还有三次方形式有没有可能，非线性数据难以估计。
同学如果回答解决了您的疑惑，请给回答给予采纳。祝早日持证！
- 评论（0）
- 追问（2）
- 追问
-
谢谢Alvis老师。根据您的讲解，我的理解是线性回归提供了自变量和因变量（即机器学习里target）之间的关系，从而降低建模复杂性。
只是，我不太明白为什么贴标签学习里面的支持向量（SVM）和K近邻（KNN）为什么属于linearity，是切分（分类）的时候，给出的自变量和target是有存在什么线性关系吗？请进一步讲解一下哈，谢谢。
- 追答
-
同学你好。举个简单例子，例如给你一组数据包含三角形与圆形的散点图需要分类，你想到的方法是什么，应该是尽可能用一条直线将大部分三角形与圆形分为两堆吧，这说明这组数据点是一个线性数据，能用线性直线将两组数据分队。如果不是使用直线，例如使用折现，我可以将三角形完全化为一堆，是不是，这就导致了过拟合，可能在样本外预测就不会准确。
理解了这个之后，我们再看SVM与KNN的方法是不是很清晰，为什么SVM与KNN属于分类中的linearity。
评论
0/1000
追答
0/1000
+上传图片