Palyginimo diagrama
| Palyginimo pagrindas | klasifikacija | Regresija |
|---|---|---|
| Pagrindinis | Modelio ar funkcijų aptikimas, kai objektų žemėlapis yra sudaromas į iš anksto nustatytas klases. | Sukurtas modelis, kuriame objektų žemėlapiai yra vertinami. |
| Apima prognozę | Diskretinės vertės | Nuolatinės vertės |
| Algoritmai | Sprendimų medis, logistinė regresija ir kt. | Regresijos medis (atsitiktinis miškas), tiesinė regresija ir kt. |
| Numatomų duomenų pobūdis | Nereguliuojama | Užsakyta |
| Apskaičiavimo metodas | Matavimo tikslumas | Vidutinės kvadratinės paklaidos matavimas |
Klasifikacijos apibrėžimas
Klasifikavimas - tai modelis (funkcija), padedantis atskirti duomenis į kelias kategorines klases. Klasifikuojant nustatoma, kad problema yra grupinė, o tai reiškia, kad duomenys skirstomi į skirtingas etiketes pagal tam tikrus parametrus ir tada duomenys yra numatomi.
Išvestiniai modeliai gali būti demonstruojami „IF-THEN“ taisyklių, sprendimų medžių ar neuroninių tinklų forma ir tt Sprendimų medis iš esmės yra srauto schema, kuri panaši į medžio struktūrą, kurioje kiekvienas vidinis mazgas vaizduoja atributo testą, ir jos filialai rodo bandymo rezultatus. Klasifikavimo procesas sprendžia problemas, kai duomenys gali būti suskirstyti į dvi ar daugiau atskirų etikečių, kitaip tariant, du ar daugiau atskirų rinkinių.
Paimkime pavyzdį, tarkime, kad norime numatyti lietaus galimybę kai kuriuose regionuose, remiantis kai kuriais parametrais. Tada būtų du ženklai: lietus ir ne lietus, pagal kurį gali būti klasifikuojami skirtingi regionai.
Regresijos apibrėžimas
Regresija - tai modelio ar funkcijos, leidžiančios atskirti duomenis į nuolatines realiąsias vertes, o ne naudojant klases, paieškos procesą. Matematiškai, su regresijos problema, bandoma rasti funkcijų derinimą su minimaliu klaidų nuokrypiu. Regresijos metu numatoma, kad duomenų skaitmeninė priklausomybė ją išskirs.
Regresijos analizė yra statistinis modelis, naudojamas skaičiuotiniams duomenims prognozuoti vietoj etikečių. Ji taip pat gali nustatyti paskirstymo judėjimą priklausomai nuo turimų duomenų ar istorinių duomenų.
Paimkime panašų regresijos pavyzdį, kur kai kuriuose regionuose kai kurių parametrų pagalba randame lietaus galimybę. Tokiu atveju yra tikimybė, susijusi su lietumi. Čia mes neklasifikuojame regionų per lietaus ir be lietaus etikečių, o mes juos klasifikuojame su jų tikimybe.
Pagrindiniai klasifikavimo ir regresijos skirtumai
- Klasifikavimo procesas modeliuoja funkciją, per kurią duomenys yra numatomi atskirose klasių etiketėse. Kita vertus, regresija - tai procesas, kuriuo sukuriamas nuolatinis kiekis prognozuojantis modelis.
- Klasifikavimo algoritmai apima sprendimų medį, logistinę regresiją ir tt Priešingai, regresijos medis (pvz., Atsitiktinis miškas) ir tiesinė regresija yra regresijos algoritmų pavyzdžiai.
- Klasifikacija numato netvarkingus duomenis, o regresija numato užsakytus duomenis.
- Regresija gali būti įvertinta naudojant vidutinę kvadratinę paklaidą. Priešingai, klasifikavimas vertinamas matuojant tikslumą.
Išvada
Klasifikavimo metodas numato nuspėjamąjį modelį ar funkciją, pagal kurią, remiantis istoriniais duomenimis, nauji duomenys prognozuojami atskiromis kategorijomis ar etiketėmis. Atvirkščiai, regresijos metodas modeliuoja nepertraukiamai vertinamas funkcijas, o tai reiškia, kad duomenys numato nuolatinius skaitinius duomenis.
