Regressio- ja luokittelualgoritmit ovat valvottuja oppimisalgoritmeja. Molempia algoritmeja käytetään koneoppimisen ennustamiseen ja ne toimivat merkittyjen tietojoukkojen kanssa. Mutta ero molempien välillä on se, kuinka niitä käytetään erilaisiin koneoppimisongelmiin.
Suurin ero regressio- ja luokitusalgoritmien välillä, joihin regressioalgoritmit ovat tottuneet ennustaa jatkuvaa arvoja, kuten hinta, palkka, ikä jne. ja luokittelualgoritmeja käytetään ennustaa/luokitella diskreetit arvot kuten mies tai nainen, tosi tai taru, roskaposti tai ei roskaposti jne.
Harkitse alla olevaa kaaviota:
Luokittelu:
Luokittelu on prosessi, jossa etsitään funktio, joka auttaa jakamaan tietojoukon luokkiin eri parametrien perusteella. Luokittelussa tietokoneohjelma opetetaan harjoitustietojoukolle ja sen perusteella luokittelee tiedot eri luokkiin.
Luokittelualgoritmin tehtävänä on löytää kuvausfunktio, joka kuvaa syötteen(x) diskreettiin lähtöön(y).
Esimerkki: Paras esimerkki luokitteluongelman ymmärtämisestä on sähköpostiroskapostin tunnistus. Malli on koulutettu miljoonien sähköpostien perusteella eri parametreillä, ja aina kun se saa uuden sähköpostin, se tunnistaa, onko sähköposti roskapostia vai ei. Jos sähköposti on roskapostia, se siirretään Roskaposti-kansioon.
lajittele array java
ML-luokitusalgoritmien tyypit:
Luokittelualgoritmit voidaan jakaa edelleen seuraaviin tyyppeihin:
- Logistinen regressio
- K-Lähimmät naapurit
- Tuki Vector-koneita
- Ytimen SVM
- Ei Bayes
- Päätöspuun luokitus
- Satunnainen metsäluokitus
Regressio:
Regressio on prosessi, jossa etsitään riippumattomien ja riippumattomien muuttujien välisiä korrelaatioita. Se auttaa ennustamaan jatkuvia muuttujia, kuten ennustetta Markkinatrendit , asuntojen hintojen ennuste jne.
Regressio-algoritmin tehtävänä on löytää kuvausfunktio, joka kuvaa syötemuuttujan(x) jatkuvaan lähtömuuttujaan(y).
Esimerkki: Oletetaan, että haluamme tehdä sääennusteen, joten käytämme tähän regressio-algoritmia. Sääennustuksessa mallia koulutetaan menneiden tietojen perusteella, ja kun harjoitus on suoritettu, se voi helposti ennustaa tulevien päivien sään.
Regressioalgoritmien tyypit:
mysql muuttaa saraketyyppiä
- Yksinkertainen lineaarinen regressio
- Useita lineaarisia regressioita
- Polynomiregressio
- Tuki Vector Regression
- Päätöspuun regressio
- Satunnainen metsäregressio
Regression ja luokituksen välinen ero
| Regressioalgoritmi | Luokittelualgoritmi |
|---|---|
| Regressiossa lähtömuuttujan on oltava luonteeltaan jatkuva tai reaaliarvoinen. | Luokituksessa lähtömuuttujan on oltava diskreetti arvo. |
| Regressioalgoritmin tehtävänä on kartoittaa syötearvo (x) jatkuvaan lähtömuuttujaan (y). | Luokittelualgoritmin tehtävänä on kartoittaa tuloarvo(x) diskreetillä lähtömuuttujalla(y). |
| Jatkuvan datan kanssa käytetään regressioalgoritmeja. | Luokittelualgoritmeja käytetään erillisten tietojen kanssa. |
| Regressiossa yritämme löytää parhaan sovitusviivan, joka voi ennustaa tulostuksen tarkemmin. | Luokittelussa yritämme löytää päätösrajan, joka voi jakaa aineiston eri luokkiin. |
| Regressio-algoritmeilla voidaan ratkaista regressio-ongelmia, kuten sääennustus, asunnon hinnan ennustaminen jne. | Luokittelualgoritmeilla voidaan ratkaista luokitteluongelmia, kuten roskapostien tunnistaminen, puheentunnistus, syöpäsolujen tunnistaminen jne. |
| Regressioalgoritmi voidaan jakaa edelleen lineaariseen ja epälineaariseen regressioon. | Luokittelualgoritmit voidaan jakaa binääriluokittelijoihin ja moniluokkaisiin luokittelijoihin. |