数据结构
网络
RDBMS
操作系统
Java
MS Excel
iOS
HTML
CSS
Android
Python
C 语言编程
C++
C#
MongoDB
MySQL
Javascript
PHP
物理学
化学
生物学
数学
英语
经济学
心理学
社会学
时尚研究
法律研究机器学习中的回归与分类
简介
人工智能和机器学习领域的快速发展，使得我们的机器越来越智能和独立。但这两个领域都极其复杂，深入了解它们需要时间和精力。
回归和分类的方法都属于监督学习算法，它们都用于机器学习中的预测，并使用带标签的数据集。然而，它们在处理机器学习问题时有着不同的出发点。
现在让我们更详细地探讨回归与分类。本文将探讨回归与分类在机器学习中的定义、类型、区别和应用案例。
机器学习中的回归与分类
回归
回归确定因变量和自变量之间是否存在相关性。因此，回归算法有助于预测连续变量，例如房地产价值、经济趋势、气候模式、石油和天然气价格（在当今世界中一项至关重要的任务！）等等。
回归过程的目标是找到映射函数，使我们能够将连续输出变量“y”转换为输入变量“x”。
分类
另一方面，分类是一种算法，它识别支持根据不同因素对数据集进行分类的函数。在使用分类算法时，计算机软件会从训练数据集中学习，然后根据其学习到的内容将数据划分为几个组。
分类算法找到将来自“x”输入的离散“y”输出进行转换的映射函数。根据一组特定的自变量，算法估计离散值（有时称为二元值，例如 0 和 1、是和否、真或假）。换句话说，分类算法通过将数据拟合到逻辑函数来确定事件发生的可能性。
概述
回归和分类可以使用多种算法来执行，每种算法都有其优点和缺点。最常用的算法包括支持向量机、决策树、随机森林、逻辑回归和线性回归。
在回归和分类之间进行选择时，您拥有的数据类型至关重要。如果您的数据包含连续值，则回归是更好的选择。如果您的数据由离散数字组成，则分类更好。
以下是差异表：
回归 |
分类 |
|---|---|
预测连续值，例如价格或重量。 |
预测离散值，例如标签或类别。 |
使用平方误差损失或平均绝对误差损失。 |
使用交叉熵损失或多类别对数损失。 |
目标是最小化预测值与实际值之间的差异。 |
目标是将每个数据点准确地分类到其各自的类别中。 |
模型输出是一个连续函数。 |
模型输出是类别上的概率分布。 |
示例包括预测房价、股票价格等。 |
示例包括图像分类、垃圾邮件检测等。 |
回归算法包括线性回归、多项式回归等。 |
分类算法包括逻辑回归、决策树、随机森林等。 |
评估指标包括 R 平方、均方误差、平均绝对误差等。 |
评估指标包括准确率、精确率、召回率、F1 分数等。 |
一条线或曲线表示自变量和因变量之间的关系。 |
表示自变量和因变量之间的关系。 |
决策边界表示输入变量可以是连续的或离散的。 |
输入变量可以是连续的或离散的。 |
多个输入变量可用于预测单个输出。 |
多个输入变量可用于预测单个类别标签。 |
您尝试预测的类别的数量是一个关键因素。如果您有很多类别，则分类可能更具挑战性，并且需要更多信息。另一方面，如果类别较少，则分类可能更简单、更快。
回归与分类的用法
当对应于响应变量的数据集需要分类时，使用分类树。这些类别通常具有“是”或“否”的答案。因此，只有两个类别，它们是不兼容的。当然，有时可能有两个以上的类别，但在这些情况下，我们应用分类树技术的不同版本。
但是，当响应变量是连续的时，使用回归树。例如，如果响应变量是商品价格或当前温度，我们使用回归树。
结论
总之，回归和分类是机器学习中用于不同目的的两项重要任务。回归用于预测连续值，而分类用于预测离散值或类别标签。这两项任务都需要不同类型的算法、损失函数、评估指标和模型来实现各自的目标。了解回归和分类之间的区别对于选择特定问题的正确算法和方法以及解释从模型中获得的结果至关重要。
387 次浏览
