Guten Abend. Der Airpots-Verlustfall (gefunden) ist früher aufgetreten, und ein Absatz wurde hinzugefügt.
Heute möchte ich die Klassifizierung und Regression beim maschinellen Lernen zusammenfassen.
Der Hauptzweck der Klassifizierung ist ** die Vorhersage der Klasse (Ja, Nein), zu der die Daten gehören **. Wenn die Anzahl der vorherzusagenden Klassen 2 Klassen beträgt, wird dies als ** binäre Klassifizierung ** bezeichnet. ex)
Wenn es mehr als zwei Klassen gibt, wird dies als ** Mehrklassenklassifizierung ** bezeichnet. ex) --Studente Bewertung
Der Hauptzweck der Regression ist die ** Vorhersage des Wertes **. Die Aufgabe, ** erklärende Variablen (Merkmale) ** zu ** objektiven Variablen ** zu erklären. ex)
Und wenn Sie sich auf eine lineare Regression einlassen möchten Angenommen, die Zielvariable ist y und es gibt n erklärende Variablen, $ x_1 $, $ x_2 $, ..., $ x_n $,
y = a_0 + a_1x_1 +・ ・ ・+ a_nx_n
, $ A_0, a_1, ···, a_n $. Um diese zu erhalten, gibt es ** wahrscheinlichste Methode ** und ** Methode der kleinsten Quadrate **. Wenn $ n = 1 $ ist, wird dies als ** einfache Regression ** bezeichnet, und die anderen werden als ** multiple Regression ** bezeichnet.
Lassen Sie mich Ihnen ein Beispiel für die folgenden Referenzen geben. Angenommen, Sie haben Informationen zu einem Restaurant, das Ihr Kunde in der Vergangenheit besucht hat. Klassifizierung: Sagen Sie voraus, ob Sie neue Restaurants mögen oder nicht Zurück: Sagen Sie voraus, wie oft Sie das neue Restaurant in Zukunft besuchen werden
Abschließend möchte ich zwei Gemeinsamkeiten erwähnen. Beide sind "** überwachtes Lernen **". Überwachtes Lernen ist übrigens Lernen mit dem richtigen Antwortetikett, das den Daten beigefügt ist.
Es ist einfach, aber ich habe die Klassifizierungsregression zusammengefasst. Vielen Dank.
Unterschiede zwischen Klassifizierung und Regression für Anfänger im maschinellen Lernen
Recommended Posts