A regressziós és osztályozási algoritmusok felügyelt tanulási algoritmusok. Mindkét algoritmust a gépi tanulás előrejelzésére használják, és a címkézett adatkészletekkel dolgoznak. De a különbség a kettő között az, hogy hogyan használják őket különböző gépi tanulási problémákra.
A fő különbség a regressziós és az osztályozási algoritmusok között, amelyekhez a regressziós algoritmusok szoktak megjósolni a folyamatos olyan értékeket, mint az ár, fizetés, életkor stb., és az osztályozási algoritmusokat használják megjósolni/osztályozni a diszkrét értékeket például Férfi vagy Nő, Igaz vagy hamis, Spam vagy nem spam stb.
Tekintsük az alábbi diagramot:
Osztályozás:
Az osztályozás egy olyan függvény megtalálásának folyamata, amely segít az adatkészlet osztályokra osztásában különböző paraméterek alapján. Az Osztályozásban egy számítógépes programot betanítanak a képzési adatkészletre, és ennek alapján osztályozza az adatokat különböző osztályokba.
java konvertálja a karakterláncot egész számmá
Az osztályozó algoritmus feladata, hogy megtalálja azt a leképezési függvényt, amely az input(x)-t leképezi a diszkrét kimenetre(y).
Példa: Az osztályozási probléma megértésére a legjobb példa az e-mail spam észlelése. A modellt több millió e-mail alapján tanítják különböző paramétereken, és amikor új e-mailt kap, azonosítja, hogy az e-mail spam-e vagy sem. Ha az e-mail spam, akkor a Spam mappába kerül.
Az ML osztályozási algoritmusok típusai:
Az osztályozási algoritmusok további típusaira oszthatók:
a technológia előnyei és hátrányai
- Logisztikus regresszió
- K-Legközelebbi szomszédok
- Támogatja a vektoros gépeket
- Kernel SVM
- Na�ne Bayes
- Döntési fa osztályozása
- Véletlenszerű erdőbesorolás
Regresszió:
A regresszió a függő és független változók közötti összefüggések keresésének folyamata. Segít a folytonos változók előrejelzésében, például az előrejelzésében Piaci trendek , Lakásárak előrejelzése stb.
tömb elemek hozzáadása java
A regressziós algoritmus feladata, hogy megtalálja azt a leképezési függvényt, amely leképezi a bemeneti változót (x) a folytonos kimeneti változóra (y).
Példa: Tegyük fel, hogy időjárás-előrejelzést szeretnénk készíteni, ezért ehhez a regressziós algoritmust használjuk. Az időjárás-előrejelzésben a modellt a múltbeli adatokra oktatják, és amint az edzés befejeződött, könnyen megjósolja a következő napok időjárását.
A regressziós algoritmusok típusai:
- Egyszerű lineáris regresszió
- Többszörös lineáris regresszió
- Polinomiális regresszió
- A vektorregresszió támogatása
- Döntési fa regressziója
- Véletlenszerű erdei regresszió
A regresszió és az osztályozás közötti különbség
| Regressziós algoritmus | Osztályozási algoritmus |
|---|---|
| A Regresszióban a kimeneti változónak folyamatos jellegűnek vagy valós értékűnek kell lennie. | Az Osztályozásban a kimeneti változónak diszkrét értéknek kell lennie. |
| A regressziós algoritmus feladata a bemeneti érték (x) leképezése a folytonos kimeneti változóval (y). | Az osztályozási algoritmus feladata, hogy a bemeneti értéket (x) leképezze a diszkrét kimeneti változóval (y). |
| Folyamatos adatokkal regressziós algoritmusokat használunk. | Az osztályozási algoritmusokat diszkrét adatokkal használják. |
| A Regresszióban megpróbáljuk megtalálni a legjobb illeszkedési vonalat, amely pontosabban tudja előre jelezni a kimenetet. | Az Osztályozásban megpróbáljuk megtalálni a döntési határt, amely az adathalmazt különböző osztályokra oszthatja. |
| A regressziós algoritmusok használhatók a regressziós problémák megoldására, mint például az időjárás előrejelzés, a lakásár előrejelzés stb. | Az osztályozási algoritmusok olyan osztályozási problémák megoldására használhatók, mint a spam e-mailek azonosítása, a beszédfelismerés, a rákos sejtek azonosítása stb. |
| A regressziós algoritmus tovább osztható lineáris és nemlineáris regresszióra. | Az osztályozási algoritmusok bináris osztályozókra és többosztályos osztályozókra oszthatók. |