¿Diferencia entre regresión y clasificación en el aprendizaje de la máquina?
Contenido
Permítanos discutir primero sobre la regresión V
Clasificación vs Modelos de regresión
Diferencias clave entre la clasificación y la regresión.
Sin embargo, regresión VS Clasificación en el aprendizaje de la máquina
Sin embargo, en la clasificación de la etiqueta múltiple, hay múltiples etiquetas posibles para cada resultado. Esto es útil para la segmentación del cliente, la categorización de imágenes y el análisis de sentimientos para comprender el texto. Para realizar estas clasificaciones, utilizamos modelos como Bayes ingenuos, vecinos más cercanos, SVMS, así como varios modelos de aprendizaje profundo. Esto se llama clasificación binaria (verdadera / falsa, 0 o 1, / no). En algunos casos, los algoritmos de clasificación generarán valores continuos en forma de probabilidades. Dadas las distinciones aparentemente claras entre la regresión y la clasificación, puede parecer extrañas que los analistas de datos a veces los confundieran. Sin embargo, como suele ser el caso en el análisis de datos, las cosas no siempre son 100% claras.
La notación de regresión es intuitiva y este tipo de análisis es sensible a los valores atípicos en los datos. La regresión y la clasificación pueden trabajar en algunos problemas comunes donde la variable de respuesta es respectivamente continua y ordinal. Se evalúa un algoritmo de clasificación calculando la precisión con la que clasificó correctamente su entrada.
demasiado bajos, y podría estar esperando para siempre para que su modelo converje en el mejor conjunto de pesos; Demasiado alto, y se arriesga a perder el mejor conjunto de pesos porque el modelo no convergería. Este enfoque iterativo se repite hasta que se alcanza un error mínimo, y el descenso de degradado no puede minimizar aún más la función de costo. Sobre la base de la pendiente, el descenso de degradado actualiza los valores para el sesgo y el conjunto de pesos, luego reitera el bucle de entrenamiento sobre los nuevos valores. Imagine que tenga la tarea de predecir si un cliente de su banco se debe o no por defecto de su reembolsos de préstamos. Lo primero que debe hacer es construir un conjunto de datos de los valores predeterminados del cliente histórico. Finalmente, verifiquemos cómo se realizó el clasificador al importar algunas métricas y verificar los valores predichos contra los valores reales.
Si la función de distribución predicha tiende a seguir la función de distribución real, decimos que el modelo está aprendiendo con precisión. Si está comenzando en el aprendizaje de la máquina, es posible que se esté preguntando cuál es la diferencia entre la regresión y la clasificación. Esta publicación le mostrará cómo difieren y cómo funcionan. FM se puede utilizar para la regresión y el criterio de optimización es un error cuadrático medio.
Vamos a discutir primero sobre la regresión V
, ambos caen bajo el paraguas de algoritmos de aprendizaje supervisados. Esto significa que los datos de capacitación de los que aprenden incluyen los valores de salida que están tratando de aprender a predecir. Si los datos no están etiquetados. Luego se llama un problema sin supervisión de aprendizaje de la máquina y se utilizará un algoritmo de agrupamiento. Algunos algoritmos se pueden usar tanto para la clasificación como para la regresión con pequeñas modificaciones, como los árboles de decisión y las redes neuronales artificiales. Algunos algoritmos no pueden, o no pueden usarse fácilmente para ambos tipos de problemas, como la regresión lineal para la regresión, el modelado predictivo y la regresión logística para el modelado predictivo de clasificación.
Máquinas vectoriales de soporte Aprenda qué ejemplos de clase pertenecen a colocar una línea entre los puntos de datos y maximizar el margen a cada lado de esa línea según sus etiquetas y. El margen duro SVMS no permite que los puntos de datos se encuentren dentro del margen, pero sí los SVM de margen suave. Permitir que algunos puntos de datos que se ajusten dentro del margen ayudan a evitar la sobrevaloración.
Clasificación vs Modelos de regresión
Los modelos de clasificación incluyen logística Regresión, árbol de decisión, bosques aleatorios, árboles impulsados por gradientes, Mulilaya Perceptron, One-Vs-Rest y Bayes Naive. La regresión, en el aprendizaje automático, es donde entrena un algoritmo para predecir una salida continua basada en un conjunto de características. Actualmente en SPARK.ML, solo se admiten un subconjunto de las distribuciones de la familia exponencial y se encuentran en la lista.
Elección de una técnica de regresión apropiada, nuevamente, depende en gran medida de los datos a la mano. Preguntas que podemos querer responder es si tenemos una variación constante entre los residuos.
Clasificación Los problemas de modelado predictivos son diferentes de los problemas de modelado predictivo de regresión. Hay muchas maneras de estimar la habilidad de un modelo predictivo de regresión, pero quizás el más común es calcular el error cuadrado de la raíz, abreviado por el acrónimo RMSE. Un problema con dos clases a menudo se denomina problema de clasificación de dos clases o binarios. Preguntas Como este, son un síntoma de no comprender verdaderamente la diferencia entre la clasificación y la regresión y qué precisión está tratando de medir. Uno de los elementos clave para elegir un método es tener una regla de puntuación de precisión sensible con las propiedades estadísticas correctas. ROC AUC es preferible a la precisión, especialmente en la configuración de predicción multiclase o cuando tenemos un problema de desequilibrio de clase.
Diferencias clave entre la clasificación y la regresión
Es un caso especial de modelos lineales generalizados que predicen la probabilidad de los resultados. Use elAmámetro FamilyParameter para seleccionar entre estos dos algoritmos, o dejarlo sin tomar, la chispa infere la variante correcta. En primer lugar, puede parecer lógico asumir que los problemas de regresión y clasificación utilizan diferentes algoritmos. De hecho, muchos algoritmos, como los árboles de decisión y los bosques aleatorios, se pueden adaptar para tareas de clasificación y regresión.
Datos de producción La ciencia significa gastar más del 80% de su tiempo en la recopilación y limpieza de datos. Si desea acelerar la tubería completa de datos, use el software que automatice las tareas para brindarle más tiempo para el modelado de datos. La variable objetivo toma uno de los dos posibles valores categóricos. Por ejemplo, el spam vs. no spam, 0 vs. 1, perro vs. no perro, etc. Por ejemplo, ingresaríamos la línea de asunto de correo electrónico (“Un príncipe nigeriano necesita su ayuda”) en el modelo con la clase de acompañamiento ( “correo no deseado”).
Principalmente, ambos tienen un objetivo común, es decir, hacer predicciones o tomar una decisión utilizando los datos pasados como fundamentos subrayados. Hay una diferencia importante también; Clasificación La producción predictiva es una etiqueta y la regresión es una cantidad. Solo sucede que pueden hacer más que categorizar los datos de entrada. Puede llamar a la clasificación como clasificación y regresión como técnica de conexión también. La variable objetivo Tarda uno de los tres o más valores categóricos posibles.
Aquí, la probabilidad de evento representa la probabilidad de un ejemplo dado que pertenece a una clase específica. El valor de probabilidad previsto se puede convertir en un valor de clase seleccionando la etiqueta de la clase que tiene la mayor probabilidad. La clasificación es una de las partes del aprendizaje de la máquina, dedicado a resolver el siguiente problema. Hay muchos objetos que se dividen en clases de alguna manera. La tarea es construir un algoritmo que pueda clasificar un objeto arbitrario del conjunto original. Una regresión lineal unidimensional o simple, es una técnica utilizada para modelar la relación entre una variable de entrada independiente, es decir, la variable de función y la variable dependiente de la salida. Un problema de clasificación es cuando la variable de salida es una categoría, como “rojo” o “azul” o “enfermedad” y “ninguna enfermedad”.
enfoques de aprendizaje de la máquina A la regresión logística
Una probabilidad prevista se puede convertir en un valor de clase seleccionando la etiqueta de la clase que tiene la mayor probabilidad. Las variables de salida a menudo se llaman etiquetas o categorías.
Un algoritmo de clasificación puede tener variables tanto discretas como de valor real, pero requiere que los ejemplos se clasifiquen en una de dos o más clases. Los métodos de clasificación simplemente generan una etiqueta de clase en lugar de estimar un parámetro de distribución. Estos algoritmos se llaman aprendizaje supervisado algoritmos.
Algoritmos de clasificación funcionan utilizando variables de entrada para crear una función de mapeo. Estos datos contienen observaciones cuyas clasificaciones ya se conocen y, por lo tanto, el algoritmo puede usarlas como una guía. Esto ayuda a determinar las variables de salida con diversos grados de precisión. Este algoritmo a base de árbol incluye un conjunto de árboles de decisión que se seleccionan al azar de un subconjunto de El conjunto de entrenamiento principal. El algoritmo de clasificación de bosques aleatorios agrega productos de todos los diferentes árboles de decisión para decidir sobre la predicción de la producción final, que es más precisa que cualquiera de los árboles individuales. Por otro lado, los algoritmos de clasificación intentan estimar la función de asignación de las variables de entrada a las variables de salida discretas o categóricas. Conclusión: hemos elaborado nuestros publicaciones anteriores en algoritmos de aprendizaje de la máquina, para la comprensión de las técnicas de clasificación y regresión en el aprendizaje supervisado.
representa el porcentaje de muestras correctas clasificadas. Una puntuación de precisión del 90% nos diría que nuestro modelo de regresión logística clasificó correctamente el 90% de todos los ejemplos. Debido a la facilidad de cálculo, la regresión logística se puede usar en la configuración en línea, lo que significa que el modelo se puede reentrenar con cada nuevo ejemplo y generar predicciones en tiempo real.
