تفاوت بین طبقه بندی و رگرسیون

[vc_row][vc_column][vc_column_text]

تفاوت بین طبقه بندی و رگرسیون در Machine Learning:

قبل از شروع کار بر روی مدل ماشین لرنینگ، باید تفاوت بین مسئله طبقه بندی و رگرسیون را درک کنیم. طبقه بندی و رگرسیون دو مشکل عمده پیش بینی هستند که معمولا در داده کاوی (Data Mining) مطرح می شوند.

اگرچه طبقه بندی و رگرسیون زیر چتر ماشین لرنینگ تحت نظارت (Supervised Machine Learning) قرار می گیرند و مفهوم مشترک استفاده از داده های گذشته را برای پیش بینی یا تصمیم گیری به اشتراک می گذارند، اینجا جایی است که شباهت آنها به پایان می رسد.

رگرسیون (Regression) در ماشین لرنینگ:

مشکل رگرسیون زمانی است که متغیر خروجی یک مقدار واقعی یا پیوسته باشد، مانند “حقوق” یا “وزن” یا “فروش”.

در ماشین لرنینگ، الگوریتم های رگرسیون سعی در محاسبه تابع نگاشت (f) از متغیرهای ورودی (x) به متغیرهای عددی یا پیوسته خروجی (y) دارند. در این حالت، y یک مقدار واقعی است که می تواند یک عدد صحیح یا یک نقطه شناور باشد. بنابراین، مسائل پیش بینی رگرسیون معمولا کمیت ها یا اندازه ها هستند.

به عنوان مثال، ممکن است که یک مجموعه داده در مورد خانه ها ارائه شود و از شما خواسته شود قیمت آنها را پیش بینی کنید. این یک وظیفه رگرسیون است زیرا قیمت یک خروجی پیوسته خواهد بود.

الگوریتم های معمول رگرسیون عبارتند از: رگرسیون خطی، رگرسیون بردار پشتیبان (SVR) و درختان رگرسیون.

(توجه – رگرسیون لجستیک، نام “رگرسیون” را در نام خود دارند اما الگوریتم رگرسیون نیستند.)

طبقه بندی (Classification) در ماشین لرنینگ:

مشکل طبقه بندی زمانی است که متغیر خروجی یک دسته (Category) باشد، مانند “سیاه” یا “آبی” یا “بیماری” و “بدون بیماری”.

در الگوریتم های طبقه بندی سعی می کنیم تابع نگاشت (f) را از متغیرهای ورودی (x) به متغیرهای خروجی گسسته یا طبقه ای (y) محاسبه کنیم.

به عنوان مثال، ما یک مجموعه داده خانه داریم و باید پیش بینی کنیم که آیا قیمت خانه ها “بیشتر یا کمتر از قیمت خرده فروشی توصیه شده” فروخته می شود. در اینجا، خانه ها به این صورت طبقه بندی می شوند که قیمت آنها به دو دسته مجزا تقسیم می شود: بالاتر یا پایین تر از قیمت گفته شده.

الگوریتمهای طبقه بندی معمول، رگرسیون لجستیک، بیز ساده، درخت تصمیم و K نزدیکترین همسایه هستند.