Quelle est la principale différence entre les problèmes de classification et de régression?


Réponse 1:

La principale différence est que la sortie.

La classification fait partie d'un ensemble distinct (par exemple, "de quel type de fruit s'agit-il?" Ou "de quel état médical souffre la personne?")

Pour la régression, la production est un nombre continu (par exemple, "quel est le montant attendu que le marché boursier augmentera ou baissera aujourd'hui?" Ou "dans quelle mesure ce composé est-il cancérigène?").

Un cas particulier de régression est lorsque la sortie n'est pas n'importe quel nombre, mais un nombre entre 0 et 1 où 0 signifie "cela ne va pas se produire", 1 étant "cela se produira certainement".

Certains algorithmes d'apprentissage sont ciblés sur l'un, d'autres sur l'autre. Beaucoup d'entre eux ont le même algorithme de base, mais avec des modifications mineures - par exemple les arbres de décision peuvent être facilement modifiés pour prendre en charge la régression.


Réponse 2:

Vous avez dit la principale différence? C'est singulier mais j'en ai plus d'un.

Bien que les problèmes de classification et de régression prédisent, ce qui diffère dans les résultats de leurs prédictions.

Problème de classification

Comme le suggère la classification des noms (ou régression logistique), ses résultats sont classés. De bons cas d'utilisation pour la classification seraient de prédire qui cliquera sur une annonce ou qui achètera. C'est un problème de classification binaire.

Vous pouvez également utiliser la régression logistique pour identifier des images de voitures particulières d'autobus ou d'une moto à partir d'un vélo, etc. Ce sont toujours des problèmes de classification binaire.

Les chiffres manuscrits peuvent également être identifiés à l'aide d'une régression logistique. Ce serait un problème de classification multi-classes.

Les problèmes de classification utilisent une hypothèse qui est une fonction sigmoïde.

Problème de régression

C'est une forme abrégée pour la régression linéaire. Il est différent du problème de classification dans la mesure où la régression linéaire prédit simplement un résultat «régulier» qui n'est pas catégorisé.

Par exemple, vous pouvez utiliser la régression linéaire pour prédire comment Nikkei se rallierait, compte tenu de la force du yen. Vous pouvez, par exemple, déterminer si le marché boursier américain se rallierait sur la base des données économiques américaines, du taux d'intérêt de la Fed et des prix mondiaux du brut. Dans les deux cas, le yen, les données économiques américaines, le taux d'intérêt et les prix du brut feront partie de vos caractéristiques.

Un autre bon cas classique d'utilisation de la régression linéaire serait de prévoir les prix des maisons, compte tenu de l'année de construction, du quartier dans lequel elles se trouvent, de la taille de votre maison, etc.

Les problèmes de régression utilisent une hypothèse qui prend la somme des produits de paramètres de caractéristiques. C'est-à-dire que l'hypothèse des problèmes de régression contient la somme des termes, chacun étant la multiplication d'une caractéristique et d'un paramètre.

Quelque chose en commun

Vous avez demandé la différence, mais j'aimerais également souligner ce qu'ils ont en commun pendant que j'y suis. Dans le Machine Learning, ils sont tous deux considérés comme un apprentissage supervisé.

Postscript

N'utilisez pas de régression logistique pour différencier Trump et Giuliani. Cela reviendrait à «placer les psychopathes dans une situation de traitement de groupe car il y a un risque qu'ils le corrompent» (*). Ils sont pratiquement indiscernables donc cela ne fonctionnera pas sur eux.

(*) Adapté d'un article de la BBC


Réponse 3:

Vous avez dit la principale différence? C'est singulier mais j'en ai plus d'un.

Bien que les problèmes de classification et de régression prédisent, ce qui diffère dans les résultats de leurs prédictions.

Problème de classification

Comme le suggère la classification des noms (ou régression logistique), ses résultats sont classés. De bons cas d'utilisation pour la classification seraient de prédire qui cliquera sur une annonce ou qui achètera. C'est un problème de classification binaire.

Vous pouvez également utiliser la régression logistique pour identifier des images de voitures particulières d'autobus ou d'une moto à partir d'un vélo, etc. Ce sont toujours des problèmes de classification binaire.

Les chiffres manuscrits peuvent également être identifiés à l'aide d'une régression logistique. Ce serait un problème de classification multi-classes.

Les problèmes de classification utilisent une hypothèse qui est une fonction sigmoïde.

Problème de régression

C'est une forme abrégée pour la régression linéaire. Il est différent du problème de classification dans la mesure où la régression linéaire prédit simplement un résultat «régulier» qui n'est pas catégorisé.

Par exemple, vous pouvez utiliser la régression linéaire pour prédire comment Nikkei se rallierait, compte tenu de la force du yen. Vous pouvez, par exemple, déterminer si le marché boursier américain se rallierait sur la base des données économiques américaines, du taux d'intérêt de la Fed et des prix mondiaux du brut. Dans les deux cas, le yen, les données économiques américaines, le taux d'intérêt et les prix du brut feront partie de vos caractéristiques.

Un autre bon cas classique d'utilisation de la régression linéaire serait de prévoir les prix des maisons, compte tenu de l'année de construction, du quartier dans lequel elles se trouvent, de la taille de votre maison, etc.

Les problèmes de régression utilisent une hypothèse qui prend la somme des produits de paramètres de caractéristiques. C'est-à-dire que l'hypothèse des problèmes de régression contient la somme des termes, chacun étant la multiplication d'une caractéristique et d'un paramètre.

Quelque chose en commun

Vous avez demandé la différence, mais j'aimerais également souligner ce qu'ils ont en commun pendant que j'y suis. Dans le Machine Learning, ils sont tous deux considérés comme un apprentissage supervisé.

Postscript

N'utilisez pas de régression logistique pour différencier Trump et Giuliani. Cela reviendrait à «placer les psychopathes dans une situation de traitement de groupe car il y a un risque qu'ils le corrompent» (*). Ils sont pratiquement indiscernables donc cela ne fonctionnera pas sur eux.

(*) Adapté d'un article de la BBC


Réponse 4:

Vous avez dit la principale différence? C'est singulier mais j'en ai plus d'un.

Bien que les problèmes de classification et de régression prédisent, ce qui diffère dans les résultats de leurs prédictions.

Problème de classification

Comme le suggère la classification des noms (ou régression logistique), ses résultats sont classés. De bons cas d'utilisation pour la classification seraient de prédire qui cliquera sur une annonce ou qui achètera. C'est un problème de classification binaire.

Vous pouvez également utiliser la régression logistique pour identifier des images de voitures particulières d'autobus ou d'une moto à partir d'un vélo, etc. Ce sont toujours des problèmes de classification binaire.

Les chiffres manuscrits peuvent également être identifiés à l'aide d'une régression logistique. Ce serait un problème de classification multi-classes.

Les problèmes de classification utilisent une hypothèse qui est une fonction sigmoïde.

Problème de régression

C'est une forme abrégée pour la régression linéaire. Il est différent du problème de classification dans la mesure où la régression linéaire prédit simplement un résultat «régulier» qui n'est pas catégorisé.

Par exemple, vous pouvez utiliser la régression linéaire pour prédire comment Nikkei se rallierait, compte tenu de la force du yen. Vous pouvez, par exemple, déterminer si le marché boursier américain se rallierait sur la base des données économiques américaines, du taux d'intérêt de la Fed et des prix mondiaux du brut. Dans les deux cas, le yen, les données économiques américaines, le taux d'intérêt et les prix du brut feront partie de vos caractéristiques.

Un autre bon cas classique d'utilisation de la régression linéaire serait de prévoir les prix des maisons, compte tenu de l'année de construction, du quartier dans lequel elles se trouvent, de la taille de votre maison, etc.

Les problèmes de régression utilisent une hypothèse qui prend la somme des produits de paramètres de caractéristiques. C'est-à-dire que l'hypothèse des problèmes de régression contient la somme des termes, chacun étant la multiplication d'une caractéristique et d'un paramètre.

Quelque chose en commun

Vous avez demandé la différence, mais j'aimerais également souligner ce qu'ils ont en commun pendant que j'y suis. Dans le Machine Learning, ils sont tous deux considérés comme un apprentissage supervisé.

Postscript

N'utilisez pas de régression logistique pour différencier Trump et Giuliani. Cela reviendrait à «placer les psychopathes dans une situation de traitement de groupe car il y a un risque qu'ils le corrompent» (*). Ils sont pratiquement indiscernables donc cela ne fonctionnera pas sur eux.

(*) Adapté d'un article de la BBC


Réponse 5:

Vous avez dit la principale différence? C'est singulier mais j'en ai plus d'un.

Bien que les problèmes de classification et de régression prédisent, ce qui diffère dans les résultats de leurs prédictions.

Problème de classification

Comme le suggère la classification des noms (ou régression logistique), ses résultats sont classés. De bons cas d'utilisation pour la classification seraient de prédire qui cliquera sur une annonce ou qui achètera. C'est un problème de classification binaire.

Vous pouvez également utiliser la régression logistique pour identifier des images de voitures particulières d'autobus ou d'une moto à partir d'un vélo, etc. Ce sont toujours des problèmes de classification binaire.

Les chiffres manuscrits peuvent également être identifiés à l'aide d'une régression logistique. Ce serait un problème de classification multi-classes.

Les problèmes de classification utilisent une hypothèse qui est une fonction sigmoïde.

Problème de régression

C'est une forme abrégée pour la régression linéaire. Il est différent du problème de classification dans la mesure où la régression linéaire prédit simplement un résultat «régulier» qui n'est pas catégorisé.

Par exemple, vous pouvez utiliser la régression linéaire pour prédire comment Nikkei se rallierait, compte tenu de la force du yen. Vous pouvez, par exemple, déterminer si le marché boursier américain se rallierait sur la base des données économiques américaines, du taux d'intérêt de la Fed et des prix mondiaux du brut. Dans les deux cas, le yen, les données économiques américaines, le taux d'intérêt et les prix du brut feront partie de vos caractéristiques.

Un autre bon cas classique d'utilisation de la régression linéaire serait de prévoir les prix des maisons, compte tenu de l'année de construction, du quartier dans lequel elles se trouvent, de la taille de votre maison, etc.

Les problèmes de régression utilisent une hypothèse qui prend la somme des produits de paramètres de caractéristiques. C'est-à-dire que l'hypothèse des problèmes de régression contient la somme des termes, chacun étant la multiplication d'une caractéristique et d'un paramètre.

Quelque chose en commun

Vous avez demandé la différence, mais j'aimerais également souligner ce qu'ils ont en commun pendant que j'y suis. Dans le Machine Learning, ils sont tous deux considérés comme un apprentissage supervisé.

Postscript

N'utilisez pas de régression logistique pour différencier Trump et Giuliani. Cela reviendrait à «placer les psychopathes dans une situation de traitement de groupe car il y a un risque qu'ils le corrompent» (*). Ils sont pratiquement indiscernables donc cela ne fonctionnera pas sur eux.

(*) Adapté d'un article de la BBC


Réponse 6:

Vous avez dit la principale différence? C'est singulier mais j'en ai plus d'un.

Bien que les problèmes de classification et de régression prédisent, ce qui diffère dans les résultats de leurs prédictions.

Problème de classification

Comme le suggère la classification des noms (ou régression logistique), ses résultats sont classés. De bons cas d'utilisation pour la classification seraient de prédire qui cliquera sur une annonce ou qui achètera. C'est un problème de classification binaire.

Vous pouvez également utiliser la régression logistique pour identifier des images de voitures particulières d'autobus ou d'une moto à partir d'un vélo, etc. Ce sont toujours des problèmes de classification binaire.

Les chiffres manuscrits peuvent également être identifiés à l'aide d'une régression logistique. Ce serait un problème de classification multi-classes.

Les problèmes de classification utilisent une hypothèse qui est une fonction sigmoïde.

Problème de régression

C'est une forme abrégée pour la régression linéaire. Il est différent du problème de classification dans la mesure où la régression linéaire prédit simplement un résultat «régulier» qui n'est pas catégorisé.

Par exemple, vous pouvez utiliser la régression linéaire pour prédire comment Nikkei se rallierait, compte tenu de la force du yen. Vous pouvez, par exemple, déterminer si le marché boursier américain se rallierait sur la base des données économiques américaines, du taux d'intérêt de la Fed et des prix mondiaux du brut. Dans les deux cas, le yen, les données économiques américaines, le taux d'intérêt et les prix du brut feront partie de vos caractéristiques.

Un autre bon cas classique d'utilisation de la régression linéaire serait de prévoir les prix des maisons, compte tenu de l'année de construction, du quartier dans lequel elles se trouvent, de la taille de votre maison, etc.

Les problèmes de régression utilisent une hypothèse qui prend la somme des produits de paramètres de caractéristiques. C'est-à-dire que l'hypothèse des problèmes de régression contient la somme des termes, chacun étant la multiplication d'une caractéristique et d'un paramètre.

Quelque chose en commun

Vous avez demandé la différence, mais j'aimerais également souligner ce qu'ils ont en commun pendant que j'y suis. Dans le Machine Learning, ils sont tous deux considérés comme un apprentissage supervisé.

Postscript

N'utilisez pas de régression logistique pour différencier Trump et Giuliani. Cela reviendrait à «placer les psychopathes dans une situation de traitement de groupe car il y a un risque qu'ils le corrompent» (*). Ils sont pratiquement indiscernables donc cela ne fonctionnera pas sur eux.

(*) Adapté d'un article de la BBC