一文了解机器学习中分类和回归的差异

本文所有内容整理自网络。完整内容可以点击这里获取：完整资料下载地址

前言

分类和回归是数据挖掘和机器学习中常见的两个预测问题。

分类算法

分类算法是拟合一个模型或函数的过程，该模型或函数有助于将数据分为多个类别，即离散值。在分类中，根据输入中给定的一些参数，数据被分类到不同的标签下。

• 在分类任务中，我们应该使用独立特征来预测离散的目标变量（类别标签）。
• 在分类任务中，我们需要找到一个决策边界，可以将目标变量中的不同类别分开。

得到的映射函数可以用“IF-THEN”规则的形式来展示。分类任务处理的问题中，数据可以被划分为二分类或多个离散标签的情况。让我们举一个例子，假设我们想要根据历史记录中的参数来预测A队在比赛中获胜的可能性。那么会有两个标签，即是和否。

二分类和多分类示意图

常见的分类算法

随着机器学习研究人员的努力，已经开发出了不同类型的分类算法，并可以通过bagging和boosting等技术来提高分类任务的性能。

• 逻辑回归
• 决策树
• 随机森林
• K近邻
• 支持向量机

回归算法

回归是寻找一个模型或函数的过程，用于将数据区分为连续的实数值，而不是使用类别或离散值。它还可以根据历史数据识别分布的变化。

• 在回归任务中，我们应该使用独立特征来预测连续的目标变量。
• 在回归任务中，通常会遇到线性回归和非线性回归这两种类型的问题。

让我们也举一个回归任务的例子：我们根据历史记录的参数来预测特定地区的降雨可能性。然后与降雨相关联的是一个概率值。

回归算法示意图

常见的回归算法

回归算法也可以通过bagging和boosting等技术来提高回归任务的性能。

• 线性回归
• Lasso回归
• Ridge回归
• XGBoost回归

分类算法和回归算法的比较

写在最后

小伙伴们记得“点赞、收藏、关注”三连，随时查看。