В этом блоге мы рассмотрим алгоритмы классификации и регрессии в машинном обучении.

В машинном обучении классификация и регрессия подпадают под контролируемое обучение.

Контролируемое обучение

Это подкатегория машинного обучения и искусственного интеллекта.

Обучение с учителем — это задача машинного обучения для изучения функции, которая сопоставляет входные данные с выходными на основе примеров пар вход-выход. Он выводит функцию из помеченных обучающих данных, состоящих из набора обучающих примеров.

Регрессия

Регрессия — это метод исследования взаимосвязи между независимыми переменными или признаками и зависимой переменной или результатом. Он используется как метод прогнозного моделирования в машинном обучении, в котором алгоритм используется для прогнозирования непрерывных результатов.

Регрессия – это статистический метод, связывающий зависимую переменную с одной или несколькими независимыми (пояснительными) переменными. Модель регрессии способна показать, связаны ли изменения, наблюдаемые в зависимой переменной, с изменениями в одной или нескольких независимых переменных.

Алгоритмы регрессии

  • Простая линейная регрессия
  • Множественная линейная регрессия
  • Полиномиальная регрессия
  • Опорная векторная регрессия
  • Регрессия дерева решений
  • Случайная лесная регрессия

Классификация

Классификация относится к проблеме прогнозного моделирования, когда метка класса прогнозируется для данного примера входных данных.

В машинном обучении используются входные обучающие данные с целью предсказать вероятность или вероятность того, что последующие данные попадут в одну из заранее определенных категорий.

Типы алгоритмов классификации

  • Логистическая регрессия
  • K-ближайшие соседи
  • Опорные векторные машины
  • Ядро SVM
  • Наивный байесовский
  • Классификация дерева решений
  • Случайная классификация леса

Разница

  • Алгоритм регрессии может предсказать дискретное значение, которое имеет форму целой величины.
  • Алгоритм классификации может предсказать непрерывное значение в виде вероятности метки класса.

В этом случае можно использовать алгоритм регрессии для прогнозирования роста любого учащегося на основе его веса, пола, диеты или специальности. Затем в этом случае мы используем регрессию, потому что высота является непрерывной величиной. Это бесконечное число возможных значений роста человека.

Классификацию можно использовать для анализа того, является ли электронное письмо спамом или нет. Алгоритм проверяет ключевые слова в электронном письме и адрес отправителя, чтобы выяснить вероятность того, что электронное письмо является спамом. Точно так же, хотя модель регрессии может использоваться для прогнозирования температуры на следующий день, мы можем использовать алгоритм классификации, чтобы определить, будет ли это холодно или жарко в соответствии с заданными значениями температуры.