Klasyfikacja i regresja to dwa podstawowe rodzaje problemów w uczeniu maszynowym, różniące się typem przewidywanych wartości.
Klasyfikacja:
- Celem jest przypisanie próbek do jednej z wielu dyskretnych kategorii.
- Wynikiem jest etykieta klasowa (kategoria).
- Przykłady zastosowań: rozpoznawanie obrazów, diagnoza medyczna, klasyfikacja wiadomości e-mail jako spam/nie-spam.
- Przykłady algorytmów: Drzewa decyzyjne, SVM, Naive Bayes, KNN.
Regresja:
- Celem jest przewidywanie ciągłej wartości liczbowej.
- Wynikiem jest liczba rzeczywista.
- Przykłady zastosowań: prognozowanie cen, analiza trendów, przewidywanie sprzedaży.
- Przykłady algorytmów: Regresja liniowa, Regresja wielomianowa, Drzewa regresyjne.
Główne różnice:
- Typ wyniku: Klasyfikacja przewiduje kategorie, a regresja wartości liczbowe.
- Metryki oceny: Klasyfikacja używa metryk takich jak dokładność, precyzja, czułość, podczas gdy regresja używa RMSE, MAE, R².
- Zastosowania: Klasyfikacja jest używana w zadaniach wymagających decyzji kategorycznych, a regresja w zadaniach wymagających przewidywania ilościowego.
Klasyfikacja i regresja są fundamentem wielu zastosowań uczenia maszynowego, umożliwiając rozwiązywanie szerokiego zakresu problemów.
