Regresijos ir klasifikavimo algoritmai yra prižiūrimo mokymosi algoritmai. Abu algoritmai naudojami mašininio mokymosi numatymui ir darbui su pažymėtais duomenų rinkiniais. Tačiau skirtumas tarp abiejų yra tai, kaip jie naudojami skirtingoms mašininio mokymosi problemoms spręsti.
Pagrindinis skirtumas tarp regresijos ir klasifikavimo algoritmų, prie kurio naudojami regresijos algoritmai numatyti tęstinumą yra naudojamos tokios vertės kaip kaina, atlyginimas, amžius ir kt. ir klasifikavimo algoritmai numatyti / klasifikuoti atskiras reikšmes pvz., vyras arba moteris, tiesa ar klaidinga, šlamštas arba ne šlamštas ir kt.
Apsvarstykite toliau pateiktą diagramą:
Klasifikacija:
Klasifikavimas yra funkcijos, padedančios suskirstyti duomenų rinkinį į klases pagal skirtingus parametrus, paieškos procesas. Klasifikacijoje kompiuterinė programa apmokoma pagal mokymo duomenų rinkinį ir, remdamasi tuo mokymu, suskirsto duomenis į skirtingas klases.
Klasifikavimo algoritmo užduotis yra rasti atvaizdavimo funkciją, kad įvestį (x) būtų galima susieti su diskrečiuoju išėjimu (y).
Pavyzdys: Geriausias pavyzdys, kaip suprasti klasifikavimo problemą, yra el. pašto šiukšlių aptikimas. Modelis yra apmokytas remiantis milijonais el. laiškų pagal skirtingus parametrus ir, gavęs naują el. laišką, nustato, ar el. laiškas yra šlamštas, ar ne. Jei el. laiškas yra šlamštas, jis perkeliamas į šiukšlių aplanką.
ML klasifikavimo algoritmų tipai:
Klasifikavimo algoritmus galima suskirstyti į šiuos tipus:
- Logistinė regresija
- K-Artimiausi kaimynai
- Palaikykite vektorines mašinas
- Branduolys SVM
- Na�ne Bayes
- Sprendimų medžio klasifikacija
- Atsitiktinė miškų klasifikacija
Regresija:
Regresija yra priklausomų ir nepriklausomų kintamųjų sąsajų nustatymo procesas. Tai padeda numatyti nuolatinius kintamuosius, pvz., numatymą Rinkos tendencijos , būsto kainų prognozavimas ir kt.
Regresijos algoritmo užduotis yra surasti susiejimo funkciją, kad įvesties kintamąjį (x) būtų galima susieti su nuolatiniu išvesties kintamuoju (y).
Pavyzdys: Tarkime, kad norime numatyti orų prognozes, todėl tam naudosime regresijos algoritmą. Orų prognozavimo atveju modelis mokomas remiantis praeities duomenimis, o baigus mokymą jis gali lengvai nuspėti būsimų dienų orus.
Regresijos algoritmų tipai:
- Paprasta tiesinė regresija
- Daugkartinė tiesinė regresija
- Polinominė regresija
- Palaikykite vektorinę regresiją
- Sprendimų medžio regresija
- Atsitiktinė miško regresija
Skirtumas tarp regresijos ir klasifikacijos
| Regresijos algoritmas | Klasifikavimo algoritmas |
|---|---|
| Regresijoje išvesties kintamasis turi būti nuolatinio pobūdžio arba tikrosios vertės. | Klasifikacijoje išvesties kintamasis turi būti atskira reikšmė. |
| Regresijos algoritmo užduotis yra susieti įvesties reikšmę (x) su nuolatiniu išvesties kintamuoju (y). | Klasifikavimo algoritmo užduotis yra susieti įvesties reikšmę(x) su diskrečiuoju išvesties kintamuoju(y). |
| Regresiniai algoritmai naudojami su nuolatiniais duomenimis. | Klasifikavimo algoritmai naudojami su atskirais duomenimis. |
| Regresijoje stengiamės rasti tinkamiausią liniją, kuri gali tiksliau numatyti išvestį. | Klasifikacijoje bandome rasti sprendimo ribą, kuri gali padalyti duomenų rinkinį į skirtingas klases. |
| Regresijos algoritmai gali būti naudojami sprendžiant regresijos problemas, tokias kaip orų prognozavimas, būsto kainų prognozavimas ir kt. | Klasifikavimo algoritmai gali būti naudojami sprendžiant tokias klasifikavimo problemas kaip el. laiškų identifikavimas, kalbos atpažinimas, vėžinių ląstelių identifikavimas ir kt. |
| Regresijos algoritmą galima dar suskirstyti į tiesinę ir netiesinę regresiją. | Klasifikavimo algoritmus galima suskirstyti į dvejetainį klasifikatorių ir kelių klasių klasifikatorių. |