Regression och klassificeringsalgoritmer är Supervised Learning-algoritmer. Båda algoritmerna används för förutsägelse i maskininlärning och arbetar med de märkta datamängderna. Men skillnaden mellan båda är hur de används för olika maskininlärningsproblem.
Den största skillnaden mellan regression och klassificeringsalgoritmer som regressionsalgoritmer är vana vid förutsäga det kontinuerliga värden som pris, lön, ålder etc. och Klassificeringsalgoritmer används för förutsäga/klassificera de diskreta värdena som man eller kvinna, sant eller falskt, skräppost eller inte skräppost, etc.
Tänk på nedanstående diagram:
Klassificering:
Klassificering är en process för att hitta en funktion som hjälper till att dela upp datasetet i klasser baserat på olika parametrar. I klassificering tränas ett datorprogram på träningsdataset och baserat på den utbildningen kategoriserar det data i olika klasser.
Klassificeringsalgoritmens uppgift är att hitta mappningsfunktionen för att mappa ingången(x) till den diskreta utgången(y).
Exempel: Det bästa exemplet för att förstå klassificeringsproblemet är E-post Spam Detection. Modellen tränas på basis av miljontals e-postmeddelanden på olika parametrar, och när den får ett nytt e-postmeddelande identifierar den om e-postmeddelandet är spam eller inte. Om e-postmeddelandet är skräppost flyttas det till skräppostmappen.
Typer av ML-klassificeringsalgoritmer:
Klassificeringsalgoritmer kan ytterligare delas in i följande typer:
- Logistisk tillbakagång
- K-Närmaste grannar
- Support Vector Machines
- Kärna SVM
- Na�ve Bayes
- Klassificering av beslutsträd
- Slumpmässig skogsklassificering
Regression:
Regression är en process för att hitta korrelationerna mellan beroende och oberoende variabler. Det hjälper till att förutsäga de kontinuerliga variablerna såsom förutsägelse av Marknadstrender , förutsägelse av huspriser osv.
Regressionsalgoritmens uppgift är att hitta mappningsfunktionen för att mappa indatavariabeln(x) till den kontinuerliga utdatavariabeln(y).
Exempel: Anta att vi vill göra väderprognoser, så för detta kommer vi att använda regressionsalgoritmen. I väderprognoser tränas modellen på tidigare data, och när träningen är klar kan den enkelt förutsäga vädret för framtida dagar.
Typer av regressionsalgoritm:
- Enkel linjär regression
- Multipel linjär regression
- Polynomregression
- Stöd vektorregression
- Regression av beslutsträd
- Slumpmässig skogsregression
Skillnad mellan regression och klassificering
| Regression Algoritm | Klassificeringsalgoritm |
|---|---|
| I regression måste utdatavariabeln vara av kontinuerlig natur eller reellt värde. | I klassificering måste utdatavariabeln vara ett diskret värde. |
| Regressionsalgoritmens uppgift är att mappa ingångsvärdet (x) med den kontinuerliga utdatavariabeln (y). | Klassificeringsalgoritmens uppgift är att mappa ingångsvärdet(x) med den diskreta utdatavariabeln(y). |
| Regressionsalgoritmer används med kontinuerliga data. | Klassificeringsalgoritmer används med diskreta data. |
| I regression försöker vi hitta den bästa passformen, som kan förutsäga resultatet mer exakt. | I Klassificering försöker vi hitta beslutsgränsen, som kan dela upp datasetet i olika klasser. |
| Regressionsalgoritmer kan användas för att lösa regressionsproblem som väderprognoser, husprisförutsägelser etc. | Klassificeringsalgoritmer kan användas för att lösa klassificeringsproblem såsom identifiering av skräppost, taligenkänning, identifiering av cancerceller, etc. |
| Regressionsalgoritmen kan ytterligare delas in i linjär och icke-linjär regression. | Klassificeringsalgoritmerna kan delas in i binär klassificerare och multiklassklassificerare. |