Алгоритми регресії та класифікації є алгоритмами навчання під наглядом. Обидва алгоритми використовуються для прогнозування в машинному навчанні та працюють із позначеними наборами даних. Але різниця між ними полягає в тому, як вони використовуються для різних проблем машинного навчання.
Основна відмінність між алгоритмами регресії та класифікації, до яких використовуються алгоритми регресії передбачити безперервне такі значення, як ціна, зарплата, вік тощо, і використовуються алгоритми класифікації прогнозувати/класифікувати дискретні значення наприклад Чоловічий чи Жіночий, Правда чи Неправда, Спам чи Не Спам тощо.
Розгляньте схему нижче:
Класифікація:
Класифікація — це процес пошуку функції, яка допомагає розділити набір даних на класи на основі різних параметрів. У класифікації комп’ютерна програма навчається на навчальному наборі даних і на основі цього навчання класифікує дані за різними класами.
Завдання алгоритму класифікації полягає в тому, щоб знайти функцію відображення для відображення входу (x) у дискретний вихід (y).
приклад: Найкращим прикладом для розуміння проблеми класифікації є виявлення електронного спаму. Модель навчається на основі мільйонів електронних листів за різними параметрами, і щоразу, коли вона отримує новий електронний лист, вона визначає, чи є електронний лист спамом чи ні. Якщо електронний лист є спамом, його буде переміщено до папки спаму.
Типи алгоритмів класифікації ML:
Алгоритми класифікації можна далі розділити на такі типи:
- Логістична регресія
- K-найближчі сусіди
- Підтримуючі векторні машини
- Ядро SVM
- Наївний Байєс
- Класифікація дерева рішень
- Випадкова класифікація лісу
регресія:
Регресія – це процес знаходження кореляції між залежними та незалежними змінними. Це допомагає прогнозувати безперервні змінні, такі як прогноз Тенденції ринку , прогнозування цін на житло тощо.
Завдання алгоритму регресії полягає в тому, щоб знайти функцію відображення для відображення вхідної змінної (x) у безперервну вихідну змінну (y).
приклад: Припустімо, ми хочемо зробити прогноз погоди, тому для цього ми використаємо алгоритм регресії. Під час прогнозування погоди модель навчається на основі минулих даних, і після завершення навчання вона може легко передбачити погоду на майбутні дні.
Типи алгоритму регресії:
змагальний обшук
- Проста лінійна регресія
- Множинна лінійна регресія
- Поліноміальна регресія
- Підтримка векторної регресії
- Регресія дерева рішень
- Регресія випадкового лісу
Різниця між регресією та класифікацією
| Алгоритм регресії | Алгоритм класифікації |
|---|---|
| У регресії вихідна змінна повинна мати безперервний характер або мати реальне значення. | У Класифікації вихідна змінна має бути дискретним значенням. |
| Завдання алгоритму регресії полягає в тому, щоб зіставити вхідне значення (x) із безперервною вихідною змінною (y). | Завданням алгоритму класифікації є відображення вхідного значення (x) із дискретною вихідною змінною (y). |
| Алгоритми регресії використовуються з безперервними даними. | Алгоритми класифікації використовуються з дискретними даними. |
| У регресії ми намагаємося знайти найкращу відповідну лінію, яка може точніше передбачити результат. | У класифікації ми намагаємося знайти межу рішення, яка може розділити набір даних на різні класи. |
| Алгоритми регресії можна використовувати для вирішення таких проблем регресії, як прогнозування погоди, прогнозування ціни на будинок тощо. | Алгоритми класифікації можна використовувати для вирішення проблем класифікації, таких як ідентифікація спаму, розпізнавання мови, ідентифікація ракових клітин тощо. |
| Алгоритм регресії можна далі розділити на лінійну та нелінійну регресію. | Алгоритми класифікації можна розділити на бінарний класифікатор і багатокласовий класифікатор. |