Алгоритмите за регресия и класификация са алгоритми за контролирано обучение. И двата алгоритъма се използват за прогнозиране в машинното обучение и работят с етикетираните набори от данни. Но разликата между двете е как се използват за различни проблеми с машинното обучение.
Основната разлика между алгоритмите за регресия и класификация, с която са свикнали алгоритмите за регресия предскаже непрекъснатото стойности като цена, заплата, възраст и т.н. и се използват алгоритми за класификация прогнозиране/класифициране на дискретните стойности като Мъж или Жена, Вярно или Невярно, Спам или Не Спам и т.н.
Разгледайте диаграмата по-долу:
Класификация:
Класификацията е процес на намиране на функция, която помага при разделянето на набора от данни на класове въз основа на различни параметри. При класификацията компютърна програма се обучава върху набора от данни за обучение и въз основа на това обучение категоризира данните в различни класове.
Задачата на класификационния алгоритъм е да намери функцията за картографиране, за да картографира входа (x) към дискретния изход (y).
Пример: Най-добрият пример за разбиране на проблема с класификацията е откриването на спам по имейл. Моделът се обучава на базата на милиони имейли по различни параметри и всеки път, когато получи нов имейл, той идентифицира дали имейлът е спам или не. Ако имейлът е спам, той се премества в папката за спам.
Видове алгоритми за класификация на ML:
Алгоритмите за класифициране могат да бъдат допълнително разделени на следните типове:
- Логистична регресия
- K-най-близки съседи
- Поддържащи векторни машини
- Ядро SVM
- Наивен Бейс
- Класификация на дървото на решенията
- Случайна класификация на горите
Регресия:
Регресията е процес на намиране на корелациите между зависимите и независимите променливи. Помага при прогнозирането на непрекъснатите променливи като прогнозиране на Пазарни тенденции , прогнозиране на цените на жилищата и др.
Задачата на регресионния алгоритъм е да намери функцията за картографиране, за да картографира входната променлива (x) към непрекъснатата изходна променлива (y).
Пример: Да предположим, че искаме да направим прогноза за времето, така че за това ще използваме алгоритъма за регресия. При прогнозиране на времето моделът се обучава на минали данни и след като обучението приключи, той може лесно да прогнозира времето за следващите дни.
Видове регресионен алгоритъм:
прост инструмент за форматиране на дата в java
- Проста линейна регресия
- Множествена линейна регресия
- Полиномиална регресия
- Поддръжка на векторна регресия
- Регресия на дървото на решенията
- Случайна горска регресия
Разлика между регресия и класификация
| Регресионен алгоритъм | Алгоритъм за класификация |
|---|---|
| При регресията изходната променлива трябва да има непрекъснат характер или реална стойност. | В класификацията изходната променлива трябва да бъде дискретна стойност. |
| Задачата на регресионния алгоритъм е да съпостави входната стойност (x) с непрекъснатата изходна променлива (y). | Задачата на алгоритъма за класификация е да съпостави входната стойност (x) с дискретната изходна променлива (y). |
| Алгоритмите за регресия се използват с непрекъснати данни. | Алгоритмите за класификация се използват с дискретни данни. |
| В регресията се опитваме да намерим най-подходящата линия, която може да предвиди изхода по-точно. | В класификацията се опитваме да намерим границата на решение, която може да раздели набора от данни на различни класове. |
| Алгоритмите за регресия могат да се използват за решаване на проблеми с регресията, като прогнозиране на времето, прогнозиране на цените на жилищата и др. | Алгоритмите за класификация могат да се използват за решаване на проблеми с класификацията, като идентифициране на спам имейли, разпознаване на реч, идентифициране на ракови клетки и др. |
| Регресионният алгоритъм може допълнително да бъде разделен на линейна и нелинейна регресия. | Алгоритмите за класификация могат да бъдат разделени на двоичен класификатор и многокласов класификатор. |