Regresijas un klasifikācijas algoritmi ir uzraudzītas mācīšanās algoritmi. Abi algoritmi tiek izmantoti prognozēšanai mašīnmācībā un darbam ar marķētajām datu kopām. Bet atšķirība starp abiem ir tā, kā tās tiek izmantotas dažādām mašīnmācīšanās problēmām.
Galvenā atšķirība starp regresijas un klasifikācijas algoritmiem, kam tiek izmantoti regresijas algoritmi prognozēt nepārtrauktu tiek izmantotas tādas vērtības kā cena, alga, vecums utt., kā arī klasifikācijas algoritmi paredzēt/klasificēt diskrētās vērtības piemēram, Male vai Female, True or False, Spam or Not Spam utt.
Apsveriet tālāk redzamo diagrammu:
Klasifikācija:
Klasifikācija ir funkcijas atrašanas process, kas palīdz sadalīt datu kopu klasēs, pamatojoties uz dažādiem parametriem. Klasifikācijā datorprogramma tiek apmācīta apmācības datu kopai, un, pamatojoties uz šo apmācību, tā klasificē datus dažādās klasēs.
java datu struktūras
Klasifikācijas algoritma uzdevums ir atrast kartēšanas funkciju, lai kartētu ievadi (x) uz diskrēto izvadi (y).
Piemērs: Labākais piemērs klasifikācijas problēmas izpratnei ir e-pasta surogātpasta noteikšana. Modelis ir apmācīts, pamatojoties uz miljoniem e-pastu ar dažādiem parametriem, un ikreiz, kad tas saņem jaunu e-pastu, tas identificē, vai e-pasts ir mēstule. Ja e-pasts ir surogātpasts, tas tiek pārvietots uz mapi Mēstules.
ML klasifikācijas algoritmu veidi:
Klasifikācijas algoritmus var iedalīt šādos veidos:
- Loģistiskā regresija
- K-Tuvākie kaimiņi
- Atbalstiet vektoru mašīnas
- Kodola SVM
- Nav Bejs
- Lēmumu koka klasifikācija
- Izlases mežu klasifikācija
Regresija:
Regresija ir process, kurā tiek atrastas korelācijas starp atkarīgiem un neatkarīgiem mainīgajiem. Tas palīdz paredzēt nepārtrauktus mainīgos, piemēram, prognozēšanu Tirgus tendences , Mājokļu cenu prognozēšana utt.
Regresijas algoritma uzdevums ir atrast kartēšanas funkciju, lai kartētu ievades mainīgo(x) uz nepārtraukto izvades mainīgo(y).
dinamiskais masīvs java
Piemērs: Pieņemsim, ka mēs vēlamies prognozēt laika apstākļus, tāpēc šim nolūkam izmantosim regresijas algoritmu. Laikapstākļu prognozēšanā modelis tiek apmācīts, pamatojoties uz pagātnes datiem, un, kad apmācība ir pabeigta, tas var viegli paredzēt laikapstākļus nākamajām dienām.
Regresijas algoritmu veidi:
- Vienkārša lineārā regresija
- Daudzkārtēja lineārā regresija
- Polinoma regresija
- Atbalstiet vektoru regresiju
- Lēmumu koka regresija
- Meža izlases regresija
Atšķirība starp regresiju un klasifikāciju
| Regresijas algoritms | Klasifikācijas algoritms |
|---|---|
| Regresijā izvades mainīgajam ir jābūt nepārtrauktam vai reālai vērtībai. | Klasifikācijā izvades mainīgajam ir jābūt diskrētai vērtībai. |
| Regresijas algoritma uzdevums ir kartēt ievades vērtību (x) ar nepārtrauktu izvades mainīgo(y). | Klasifikācijas algoritma uzdevums ir kartēt ievades vērtību(x) ar diskrēto izejas mainīgo(y). |
| Ar nepārtrauktiem datiem tiek izmantoti regresijas algoritmi. | Klasifikācijas algoritmi tiek izmantoti ar diskrētiem datiem. |
| Regresijā mēs cenšamies atrast vispiemērotāko līniju, kas var precīzāk paredzēt rezultātu. | Klasifikācijā mēs cenšamies atrast lēmuma robežu, kas var sadalīt datu kopu dažādās klasēs. |
| Regresijas algoritmus var izmantot, lai atrisinātu regresijas problēmas, piemēram, laikapstākļu prognozēšanu, māju cenu prognozēšanu utt. | Klasifikācijas algoritmus var izmantot, lai atrisinātu tādas klasifikācijas problēmas kā surogātpasta identifikācija, runas atpazīšana, vēža šūnu identifikācija utt. |
| Regresijas algoritmu var iedalīt lineārajā un nelineārajā regresijā. | Klasifikācijas algoritmus var iedalīt binārajos klasifikatoros un vairāku klašu klasifikatoros. |