Különbség a besorolás és a regresszió között

Az kulcs különbség az osztályozás és a regressziós fa között ez a besorolásban a függõ változók kategorikusak és rendezetlenek, míg a regresszió során a függõ változók folyamatos vagy rendezett egész értékek.

Az osztályozás és a regresszió olyan tanulási technikák, amelyek segítségével az összegyűjtött adatokból előrejelzési modelleket lehet létrehozni. Mindkét technikát grafikusan osztályozási és regressziós fákként, vagy inkább folyamatábrákként mutatják be, minden lépés után az adatok megosztásával, vagy inkább a „ág” -ként a fában. Ezt a folyamatot rekurzív particionálásnak nevezzük. A bányászathoz hasonló területeken ezeket az osztályozási és regressziós tanulási technikákat alkalmazzák. Ez a cikk az osztályozási fára és a regressziós fára összpontosít.

TARTALOMJEGYZÉK

1. Áttekintés és a legfontosabb különbség
2. Mi az osztályozás?
3. Mi a regresszió?
4. Side by side összehasonlítás - Osztályozás vs regresszió táblázatos formában
5. Összegzés

Mi az osztályozás??

A besorolás egy olyan módszer, amellyel olyan vázlatot kapunk, amely bemutatja az adatok szerveződését egy prekurzor változóval kezdve. A függő változók osztályozzák az adatokat.

01. ábra: Adatbányászat

Az osztályozási fa a független változóval kezdődik, amely két csoportra oszlik a létező függő változók meghatározása alapján. Ennek célja a válaszok tisztázása a függő változók által elvégzett kategorizálás formájában.

Mi a regresszió?

A regresszió egy előrejelzési módszer, amely feltételezett vagy ismert numerikus kimeneti értéken alapul. Ez a kimeneti érték egy rekurzív particionálási sorozat eredménye, ahol minden lépésnek van egy numerikus értéke és egy függő változók egy másik csoportja, amelyek egy másik párra átszakadnak, mint ez.

A regressziós fa egy vagy több prekurzor változóval kezdődik, és egy utolsó kimeneti változóval fejeződik be. A függõ változók folytonos vagy diszkrét numerikus változók.

Mi a különbség a besorolás és a regresszió között??

Osztályozás vs regresszió
Olyan famodell, amelyben a célváltozó különálló értékhalmazt vehet fel.	Olyan famodell, amelyben a célváltozó folyamatos értékeket vehet, jellemzően valós számokkal.
Függő változó
Az osztályozási fa esetében a függő változók kategorikusak.	A regressziós fa esetében a függő változók numerikusak.
értékek
Meghatározott mennyiségű rendezetlen értékkel rendelkezik.	Vagy diszkrét, de rendezett, vagy elválaszthatatlan értékekkel rendelkezik.
Az építés célja
A regressziós fa felépítésének célja az, hogy a regressziós rendszert minden meghatározó ághoz illessze oly módon, hogy a várható output érték felbukkanjon..	Az osztályozási fa az előző csomópontból származtatott függő változó által meghatározott módon ágazik el.

Összegzés - Osztályozás vs regresszió

A regressziós és osztályozási fák hasznos technikák a megvizsgált eredményre mutató folyamat feltérképezéséhez, akár osztályozásban, akár egyetlen numerikus értékben. Az osztályozási fa és a regressziós fa közötti különbség függ a változótól. A besorolási fák függő változókat tartalmaznak, amelyek kategorikusak és rendezetlenek. A regressziós fák függő változókkal rendelkeznek, amelyek folyamatos értékek vagy rendezett teljes értékek.

Referencia:

1. „Döntési fa tanulás”. Wikipedia, Wikimedia Alapítvány, 2018. május 13. Elérhető itt 

Kép jóvoltából:

1.'Data Mining'By Arbeck - Saját munka, (CC BY 3.0) a Commons Wikimedia segítségével