Regression og klassifikationsalgoritmer er Supervised Learning algoritmer. Begge algoritmer bruges til forudsigelse i maskinlæring og arbejder med de mærkede datasæt. Men forskellen mellem begge er, hvordan de bruges til forskellige maskinlæringsproblemer.
Den største forskel mellem regression og klassifikationsalgoritmer, som regressionsalgoritmer er vant til forudsige det kontinuerlige værdier som pris, løn, alder osv. og Klassifikationsalgoritmer bruges til forudsige/klassificere de diskrete værdier såsom mand eller kvinde, sandt eller falsk, spam eller ikke spam osv.
Overvej nedenstående diagram:
Klassifikation:
Klassificering er en proces med at finde en funktion, som hjælper med at opdele datasættet i klasser baseret på forskellige parametre. I Klassifikation trænes et computerprogram på træningsdatasættet og på baggrund af den træning kategoriserer det dataene i forskellige klasser.
Klassifikationsalgoritmens opgave er at finde afbildningsfunktionen til at afbilde input(x) til det diskrete output(y).
Eksempel: Det bedste eksempel på at forstå klassificeringsproblemet er E-mail Spam Detection. Modellen trænes på baggrund af millioner af e-mails på forskellige parametre, og hver gang den modtager en ny e-mail, identificerer den, om e-mailen er spam eller ej. Hvis e-mailen er spam, flyttes den til Spam-mappen.
Typer af ML-klassifikationsalgoritmer:
Klassifikationsalgoritmer kan yderligere opdeles i følgende typer:
computer opfundet hvilket år
- Logistisk regression
- K-Nærmeste Naboer
- Support Vector Machines
- Kernel SVM
- Navne Bayes
- Klassifikation af beslutningstræ
- Tilfældig skovklassificering
Regression:
Regression er en proces til at finde sammenhænge mellem afhængige og uafhængige variable. Det hjælper med at forudsige de kontinuerlige variabler såsom forudsigelse af Markedstendenser , forudsigelse af huspriser mv.
Regressionsalgoritmens opgave er at finde afbildningsfunktionen til at kortlægge inputvariablen(x) til den kontinuerlige outputvariabel(y).
Eksempel: Antag, at vi vil lave vejrudsigter, så til dette bruger vi regressionsalgoritmen. I vejrudsigelse trænes modellen på tidligere data, og når træningen er afsluttet, kan den nemt forudsige vejret for fremtidige dage.
Typer af regressionsalgoritme:
- Simpel lineær regression
- Multipel lineær regression
- Polynomisk regression
- Understøtte vektorregression
- Regression af beslutningstræ
- Tilfældig skovregression
Forskellen mellem regression og klassifikation
| Regression algoritme | Klassifikationsalgoritme |
|---|---|
| I regression skal outputvariablen være af kontinuerlig karakter eller reel værdi. | I Klassifikation skal outputvariablen være en diskret værdi. |
| Regressionsalgoritmens opgave er at kortlægge inputværdien (x) med den kontinuerlige outputvariabel(y). | Klassifikationsalgoritmens opgave er at kortlægge inputværdien(x) med den diskrete outputvariabel(y). |
| Regression Algoritmer bruges med kontinuerlige data. | Klassifikationsalgoritmer bruges med diskrete data. |
| I regression forsøger vi at finde den bedste tilpasningslinje, som kan forudsige outputtet mere præcist. | I Klassifikation forsøger vi at finde beslutningsgrænsen, som kan opdele datasættet i forskellige klasser. |
| Regressionsalgoritmer kan bruges til at løse regressionsproblemer såsom vejrudsigt, forudsigelse af huspriser osv. | Klassifikationsalgoritmer kan bruges til at løse klassifikationsproblemer såsom identifikation af spam-e-mails, talegenkendelse, identifikation af kræftceller osv. |
| Regressionsalgoritmen kan yderligere opdeles i lineær og ikke-lineær regression. | Klassifikationsalgoritmerne kan opdeles i binær klassifikator og multiklasseklassifikator. |