Regresní a klasifikační algoritmy jsou algoritmy supervizovaného učení. Oba algoritmy se používají pro predikci ve strojovém učení a práci s označenými datovými sadami. Rozdíl mezi oběma je však v tom, jak se používají pro různé problémy strojového učení.
Hlavní rozdíl mezi regresními a klasifikačními algoritmy, na které se regresní algoritmy používají předpovědět spojité hodnoty jako cena, plat, věk atd. a klasifikační algoritmy se používají předvídat/klasifikovat diskrétní hodnoty jako muž nebo žena, pravda nebo nepravda, spam nebo není spam atd.
Zvažte níže uvedený diagram:
Klasifikace:
Klasifikace je proces hledání funkce, která pomáhá při rozdělování datové sady do tříd na základě různých parametrů. V klasifikaci je počítačový program trénován na trénovací datové sadě a na základě tohoto školení kategorizuje data do různých tříd.
Úkolem klasifikačního algoritmu je najít mapovací funkci pro mapování vstupu(x) na diskrétní výstup(y).
Příklad: Nejlepším příkladem pro pochopení problému klasifikace je Detekce nevyžádané pošty. Model je trénován na základě milionů e-mailů na různé parametry a vždy, když obdrží nový e-mail, identifikuje, zda je e-mail spam nebo ne. Pokud je e-mail spam, přesune se do složky Spam.
Typy ML klasifikačních algoritmů:
Klasifikační algoritmy lze dále rozdělit do následujících typů:
- Logistická regrese
- K-Nejbližší sousedé
- Podpora vektorových strojů
- Jádro SVM
- Naivní Bayes
- Klasifikace rozhodovacího stromu
- Náhodná klasifikace lesa
Regrese:
Regrese je proces hledání korelací mezi závislými a nezávislými proměnnými. Pomáhá při predikci spojitých proměnných, jako je predikce Obchodní trendy , predikce cen domů atd.
Úkolem regresního algoritmu je najít mapovací funkci pro mapování vstupní proměnné(x) na spojitou výstupní proměnnou(y).
Příklad: Předpokládejme, že chceme provádět předpověď počasí, takže k tomu použijeme regresní algoritmus. Při předpovědi počasí je model trénován na minulých datech a jakmile je trénování dokončeno, může snadno předpovídat počasí pro budoucí dny.
Typy regresního algoritmu:
- Jednoduchá lineární regrese
- Vícenásobná lineární regrese
- Polynomiální regrese
- Podpora vektorové regrese
- Regrese rozhodovacího stromu
- Náhodná lesní regrese
Rozdíl mezi regresí a klasifikací
| Regresní algoritmus | Klasifikační algoritmus |
|---|---|
| Při regresi musí mít výstupní proměnná spojitou povahu nebo skutečnou hodnotu. | V klasifikaci musí být výstupní proměnná diskrétní hodnota. |
| Úkolem regresního algoritmu je mapovat vstupní hodnotu (x) se spojitou výstupní proměnnou (y). | Úkolem klasifikačního algoritmu je mapovat vstupní hodnotu (x) s diskrétní výstupní proměnnou (y). |
| Regresní algoritmy se používají se spojitými daty. | Klasifikační algoritmy se používají s diskrétními daty. |
| V regresi se snažíme najít nejvhodnější linii, která dokáže přesněji předpovědět výstup. | V Classification se snažíme najít rozhodovací hranici, která dokáže rozdělit datovou sadu do různých tříd. |
| Regresní algoritmy lze použít k řešení regresních problémů, jako je předpověď počasí, předpověď ceny domu atd. | Klasifikační algoritmy lze použít k řešení problémů klasifikace, jako je identifikace spamových e-mailů, rozpoznávání řeči, identifikace rakovinných buněk atd. |
| Regresní algoritmus lze dále rozdělit na lineární a nelineární regresi. | Klasifikační algoritmy lze rozdělit na binární klasifikátor a klasifikátor s více třídami. |