机器学习中的回归与分类

回归和分类算法是监督学习算法。两种算法都用于机器学习中的预测并与标记的数据集一起使用。但是两者之间的区别在于它们如何用于不同的机器学习问题。

回归算法和分类算法之间的主要区别在于：回归算法用于预测连续值，例如价格，工资，年龄等；分类算法用于预测/分类离散值，例如，男性或女性，真或假，垃圾邮件或非垃圾邮件等

考虑下图：

分类：

分类是找到一个函数的过程，该函数有助于根据不同的参数将数据集分为几类。在分类中，在训练数据集上训练计算机程序，并基于该训练将数据分类为不同的类别。

分类算法的任务是找到将输入(x)映射到离散输出(y)的映射函数 。

示例：了解分类问题的最佳示例是电子邮件垃圾邮件检测。该模型基于数百万个具有不同参数的电子邮件进行了训练，并且每当收到新电子邮件时，它都会识别该电子邮件是否为垃圾邮件。如果电子邮件是垃圾邮件，则将其移至“垃圾邮件”文件夹。

ML分类算法的类型：

分类算法可以进一步分为以下几种类型：

• 逻辑回归
• K最近邻居
• 支持向量机
• 内核SVM
• 朴素贝叶斯
• 决策树分类
• 随机森林分类

回归：

回归是寻找因变量和自变量之间的相关性的过程。它有助于预测连续变量，例如预测市场趋势，预测房价等。

回归算法的任务是找到将输入变量(x)映射到连续输出变量(y)的映射函数 。

示例：假设我们要进行天气预报，因此为此，我们将使用回归算法。在天气预报中，该模型是根据过去的数据进行训练的，一旦训练完成，就可以轻松预测未来几天的天气。

回归算法的类型：

• 简单线性回归
• 多元线性回归
• 多项式回归
• 支持向量回归
• 决策树回归
• 森林随机回归

回归与分类之间的区别