Алгоритми регресије и класификације су алгоритми за надгледано учење. Оба алгоритма се користе за предвиђање у машинском учењу и раде са означеним скуповима података. Али разлика између оба је у томе како се користе за различите проблеме машинског учења.
Главна разлика између алгоритама регресије и класификације на коју су регресиони алгоритми навикли предвидети континуирано вредности као што су цена, плата, старост итд. и на које се користе класификациони алгоритми предвидети/класификовати дискретне вредности као што су мушко или женско, тачно или нетачно, нежељена пошта или не нежељена пошта итд.
Размотрите дијаграм испод:
Класификација:
Класификација је процес проналажења функције која помаже у подели скупа података у класе на основу различитих параметара. У класификацији, компјутерски програм се обучава на скупу података за обуку и на основу те обуке категорише податке у различите класе.
склеарн оцена тачности
Задатак класификационог алгоритма је да пронађе функцију мапирања за мапирање улаза(к) у дискретни излаз(и).
Пример: Најбољи пример за разумевање проблема класификације је откривање нежељене е-поште. Модел је обучен на основу милиона е-порука по различитим параметрима, и кад год прими нову е-пошту, идентификује да ли је е-маил нежељена пошта или не. Ако је е-пошта нежељена пошта, онда се премешта у фасциклу Спам.
Типови алгоритама за МЛ класификацију:
Алгоритми класификације се даље могу поделити на следеће типове:
- Логистичка регресија
- К-најближи суседи
- Суппорт Вецтор Мацхинес
- Кернел СВМ
- Наве Баиес
- Класификација стабла одлучивања
- Класификација насумичних шума
регресија:
Регресија је процес проналажења корелација између зависних и независних варијабли. Помаже у предвиђању континуираних варијабли као што је предвиђање Тржишни трендови , предвиђање цена кућа итд.
Задатак алгоритма регресије је да пронађе функцију мапирања за мапирање улазне променљиве(к) у континуалну излазну променљиву(и).
чинећи схелл скрипту извршном
Пример: Претпоставимо да желимо да урадимо временску прогнозу, па ћемо за ово користити алгоритам регресије. У предвиђању времена, модел се обучава на прошлим подацима, а када се обука заврши, може лако предвидети време за будуће дане.
Врсте алгоритма регресије:
- Једноставна линеарна регресија
- Вишеструка линеарна регресија
- Полиномска регресија
- Подршка регресији вектора
- Регресија стабла одлучивања
- Регресија случајне шуме
Разлика између регресије и класификације
| Алгоритам регресије | Алгоритам класификације |
|---|---|
| У регресији, излазна променљива мора бити континуиране природе или реалне вредности. | У класификацији, излазна променљива мора бити дискретна вредност. |
| Задатак алгоритма регресије је да мапира улазну вредност (к) са континуираном излазном променљивом(и). | Задатак класификационог алгоритма је да мапира улазну вредност(к) са дискретном излазном променљивом(и). |
| Алгоритми регресије се користе са континуираним подацима. | Алгоритми класификације се користе са дискретним подацима. |
| У регресији покушавамо да пронађемо најбољу линију која може прецизније предвидети излаз. | У класификацији покушавамо да пронађемо границу одлуке, која може поделити скуп података у различите класе. |
| Алгоритми регресије се могу користити за решавање проблема регресије као што су предвиђање времена, предвиђање цене куће, итд. | Класификациони алгоритми се могу користити за решавање проблема класификације као што су идентификација нежељене е-поште, препознавање говора, идентификација ћелија рака, итд. |
| Алгоритам регресије се даље може поделити на линеарну и нелинеарну регресију. | Класификациони алгоритми се могу поделити на бинарни класификатор и класификатор са више класа. |