비교 차트
| 비교 근거 | 분류 | 회귀 분석 |
|---|---|---|
| 기본 | 객체의 매핑이 미리 정의 된 클래스 내에서 이루어지는 모델 또는 함수의 발견. | 객체의 매핑이 값으로 이루어지는 고안된 모델입니다. |
| 의 예측을 포함 | 이산 값 | 연속 값 |
| 알고리즘 | 의사 결정 트리, 로지스틱 회귀 등 | 회귀 트리 (랜덤 포레스트), 선형 회귀 등 |
| 예측 된 데이터의 본질 | 정렬되지 않은 | 주문 됨 |
| 계산 방법 | 측정 정확도 | 제곱 평균 제곱 오차의 측정 |
분류의 정의
분류 는 데이터를 여러 카테고리의 클래스로 분리하는 데 도움이되는 모델 (함수)을 찾거나 발견하는 프로세스입니다. 분류에서 문제의 그룹 구성원이 식별됩니다. 즉, 데이터가 일부 매개 변수에 따라 다른 레이블로 분류 된 다음 데이터에 대해 레이블이 예측됩니다.
파생 된 모델은 "IF-THEN"규칙, 의사 결정 트리 또는 신경 네트워크 등의 형태로 시연 될 수 있습니다. 의사 결정 트리는 근본적으로 트리 구조와 유사한 흐름도로, 각 내부 노드는 특성, 그 가지들은 시험 결과를 보여줍니다. 분류 프로세스는 데이터를 두 개 이상의 개별 레이블, 즉 두 개 이상의 분리 된 집합으로 나눌 수있는 문제를 처리합니다.
예를 들어, 일부 매개 변수를 기반으로 일부 지역에서 비가 올 가능성을 예측한다고 가정 해 봅시다. 그러면 비가오고 비가 내리지 않는 두 개의 라벨이있어 서로 다른 지역을 분류 할 수 있습니다.
회귀의 정의
회귀 는 클래스를 사용하는 대신 데이터를 연속적인 실수 값으로 구별하는 모델 또는 함수를 찾는 프로세스입니다. 수학적으로, 회귀 문제로, 최소 오차 편차를 가진 함수 근사를 찾으려고합니다. 회귀 분석에서 데이터의 수치 적 의존성은 그것을 구별 할 것으로 예측됩니다.
회귀 분석은 레이블 대신 숫자 데이터를 예측하는 데 사용되는 통계 모델입니다. 또한 사용 가능한 데이터 또는 기록 데이터에 따라 배포 이동을 식별 할 수 있습니다.
회귀 분석에서 유사한 예 를 취해 봅시다. 일부 매개 변수를 사용하여 특정 지역에서 비가 올 가능성을 찾아냅니다. 이 경우 비와 관련된 확률이 있습니다. 여기서 우리는 비와 비가 내린 지역을 분류하지 않고 관련 확률로 분류하고 있습니다.
분류와 회귀의 주요 차이점
- 분류 프로세스는 이산 클래스 레이블에서 데이터가 예측되는 함수를 모델링합니다. 반면, 회귀는 연속적인 양을 예측하는 모델을 만드는 과정입니다.
- 분류 알고리즘에는 의사 결정 트리, 로지스틱 회귀 등이 포함됩니다. 대조적으로 회귀 트리 (예 : 랜덤 포리스트) 및 선형 회귀가 회귀 알고리즘의 예입니다.
- 분류는 정렬되지 않은 데이터를 예측하고 회귀는 정렬 된 데이터를 예측합니다.
- 회귀는 평균 제곱 오차를 이용하여 평가할 수 있습니다. 반대로 분류는 측정 정확도로 평가됩니다.
결론
분류 기술은 역사적인 데이터의 도움으로 이산 카테고리 또는 라벨의 새로운 데이터를 예측하는 예측 모델 또는 기능을 제공합니다. 반대로 회귀 방법은 연속 값 함수를 모델링합니다. 즉, 연속 숫자 데이터의 데이터를 예측합니다.
