回帰アルゴリズムと分類アルゴリズムは教師あり学習アルゴリズムです。どちらのアルゴリズムも機械学習の予測に使用され、ラベル付きデータセットを操作します。ただし、両者の違いは、さまざまな機械学習の問題にどのように使用されるかです。
回帰アルゴリズムと分類アルゴリズムの主な違い 回帰アルゴリズムの使用目的 連続を予測する 価格、給与、年齢などの値と分類アルゴリズムが使用されます。 離散値の予測/分類 男性か女性、真か偽か、スパムかスパムではないかなど。
以下の図を考えてみましょう。
分類：
分類は、さまざまなパラメーターに基づいてデータセットをクラスに分割するのに役立つ関数を見つけるプロセスです。分類では、コンピューター プログラムがトレーニング データセットでトレーニングされ、そのトレーニングに基づいてデータをさまざまなクラスに分類します。
分類アルゴリズムのタスクは、入力 (x) を離散出力 (y) にマッピングするマッピング関数を見つけることです。
例： 分類の問題を理解するための最良の例は、電子メールのスパム検出です。このモデルは、さまざまなパラメータで数百万件の電子メールに基づいてトレーニングされており、新しい電子メールを受信するたびに、その電子メールがスパムであるかどうかを識別します。電子メールがスパムの場合は、スパム フォルダーに移動されます。
ML 分類アルゴリズムの種類:
分類アルゴリズムはさらに次のタイプに分類できます。
- ロジスティック回帰
- K最近傍法
- サポートベクターマシン
- カーネルSVM
- ナイーブ・ベイズ
- デシジョン ツリーの分類
- ランダムフォレスト分類
回帰:
回帰は、従属変数と独立変数の間の相関関係を見つけるプロセスです。の予測などの連続変数の予測に役立ちます。 市場動向 、住宅価格の予測など。
回帰アルゴリズムのタスクは、入力変数 (x) を連続出力変数 (y) にマッピングするためのマッピング関数を見つけることです。
バイト配列を文字列に変換する
例： 天気予報を行いたいとします。そのために回帰アルゴリズムを使用します。天気予報では、モデルは過去のデータに基づいてトレーニングされ、トレーニングが完了すると、将来の天気を簡単に予測できます。
回帰アルゴリズムの種類:
- 単純な線形回帰
- 重線形回帰
- 多項式回帰
- サポートベクトル回帰
- デシジョン ツリー回帰
- ランダムフォレスト回帰
回帰と分類の違い
| 回帰アルゴリズム | 分類アルゴリズム |
|---|---|
| 回帰では、出力変数は連続的な性質または実数値でなければなりません。 | 分類では、出力変数は離散値である必要があります。 |
| 回帰アルゴリズムのタスクは、入力値 (x) を連続出力変数 (y) にマッピングすることです。 | 分類アルゴリズムのタスクは、入力値 (x) を離散出力変数 (y) にマッピングすることです。 |
| 回帰アルゴリズムは連続データで使用されます。 | 分類アルゴリズムは離散データで使用されます。 |
| 回帰では、出力をより正確に予測できる最適な直線を見つけようとします。 | 分類では、データセットをさまざまなクラスに分割できる決定境界を見つけようとします。 |
| 回帰アルゴリズムは、天気予測、住宅価格予測などの回帰問題を解決するために使用できます。 | 分類アルゴリズムは、スパムメールの識別、音声認識、がん細胞の識別などの分類問題を解決するために使用できます。 |
| 回帰アルゴリズムは、線形回帰と非線形回帰にさらに分類できます。 | 分類アルゴリズムは、バイナリ分類子とマルチクラス分類子に分類できます。 |