Regressie- en classificatie-algoritmen zijn algoritmen voor begeleid leren. Beide algoritmen worden gebruikt voor voorspellingen in Machine Learning en werken met de gelabelde datasets. Maar het verschil tussen beide is de manier waarop ze worden gebruikt voor verschillende machine learning-problemen.
Het belangrijkste verschil tussen regressie- en classificatie-algoritmen waaraan regressie-algoritmen gewend zijn voorspel het continue waarden zoals prijs, salaris, leeftijd, etc. en classificatie-algoritmen worden gebruikt voorspel/classificeer de discrete waarden zoals Man of Vrouw, Waar of Niet waar, Spam of Geen Spam, enz.
Beschouw het onderstaande diagram:
Classificatie:
Classificatie is een proces waarbij een functie wordt gevonden die helpt bij het verdelen van de dataset in klassen op basis van verschillende parameters. Bij classificatie wordt een computerprogramma getraind op de trainingsdataset en op basis van die training categoriseert het de gegevens in verschillende klassen.
De taak van het classificatiealgoritme is het vinden van de mappingfunctie om de input(x) af te beelden op de discrete output(y).
Voorbeeld: Het beste voorbeeld om het classificatieprobleem te begrijpen is E-mailspamdetectie. Het model is op basis van miljoenen e-mails getraind op verschillende parameters, en telkens wanneer het een nieuwe e-mail ontvangt, identificeert het of de e-mail spam is of niet. Als de e-mail spam is, wordt deze verplaatst naar de map Spam.
Soorten ML-classificatie-algoritmen:
Classificatie-algoritmen kunnen verder worden onderverdeeld in de volgende typen:
- Logistieke regressie
- K-dichtstbijzijnde buren
- Ondersteuning van vectormachines
- Kernel-SVM
- Nave Bayes
- Beslisboomclassificatie
- Willekeurige bosclassificatie
Regressie:
Regressie is een proces waarbij de correlaties tussen afhankelijke en onafhankelijke variabelen worden gevonden. Het helpt bij het voorspellen van de continue variabelen, zoals het voorspellen van Markt trends , voorspelling van huizenprijzen, enz.
De taak van het Regressie-algoritme is het vinden van de mappingfunctie om de invoervariabele (x) toe te wijzen aan de continue uitvoervariabele (y).
Voorbeeld: Stel dat we weersvoorspellingen willen doen, dan gebruiken we hiervoor het Regressie-algoritme. Bij weersvoorspellingen wordt het model getraind op basis van gegevens uit het verleden, en zodra de training is voltooid, kan het eenvoudig het weer voor toekomstige dagen voorspellen.
Soorten regressiealgoritmen:
- Eenvoudige lineaire regressie
- Meerdere lineaire regressie
- Polynomiale regressie
- Ondersteuning van vectorregressie
- Regressie van de beslissingsboom
- Willekeurige bosregressie
Verschil tussen regressie en classificatie
| Regressie-algoritme | Classificatie-algoritme |
|---|---|
| Bij regressie moet de uitvoervariabele een continu karakter of een reële waarde hebben. | Bij classificatie moet de uitvoervariabele een discrete waarde zijn. |
| De taak van het regressiealgoritme is om de invoerwaarde (x) in kaart te brengen met de continue uitvoervariabele (y). | De taak van het classificatiealgoritme is om de invoerwaarde(x) in kaart te brengen met de discrete uitvoervariabele(y). |
| Regressie-algoritmen worden gebruikt met continue gegevens. | Classificatie-algoritmen worden gebruikt met discrete gegevens. |
| Bij Regressie proberen we de best passende lijn te vinden, die de output nauwkeuriger kan voorspellen. | Bij Classificatie proberen we de beslissingsgrens te vinden, die de dataset in verschillende klassen kan verdelen. |
| Regressie-algoritmen kunnen worden gebruikt om de regressieproblemen op te lossen, zoals weersvoorspelling, voorspelling van huizenprijzen, enz. | Classificatie-algoritmen kunnen worden gebruikt om classificatieproblemen op te lossen, zoals de identificatie van spam-e-mails, spraakherkenning, identificatie van kankercellen, enz. |
| Het regressie-algoritme kan verder worden onderverdeeld in lineaire en niet-lineaire regressie. | De classificatie-algoritmen kunnen worden onderverdeeld in binaire classificatie en classificatie met meerdere klassen. |