در این مطلب سعی می کنم خیلی ساده و شفاف تفاوت الگوریتم های Classification و Regression را توضیح میدم.
اول که هر دو این الگوریتم ها در دسته الگوریتم های یادگیری ماشین Supervised قرار می گیرن. در روشهای یادگیری Supervised، هدف یادگیری تابع f است که متغیر ورودی x را به متغیر خروجی y نگاشت می نماید. یعنی y=f(x)
تفاوت اصلی این دو روش در خروجی آنهاست. در Regression خروجی به صورت عددی (پیوسته) و در Classification خروجی به صورت دسته، گروه، یا برچسب (گسسته) است.
برای مثال، فرض کنید که دیتاست شامل مشخصات املاک و قیمت های آن ها را در اختیار دارید و الگوریتم شما باید قیمت یک خانه جدید را پیش بینی نماید. در این صورت این یک وظیفه Regression است که خروجی ممکن است یک عدد صحیح یا اعشاری باشد.
از طرفی دیگر، تصور نمایید که دیتاستی شامل پرونده های بیماران مبتلا به دیابت و مشخصات انها در اختیار دارید و الگوریتم شما باید برای پرونده یک بیمار جدید پیش بینی نماید که آیا این بیمار به دیابت مبتلا هست و یا خیر؟ در این صورت این الگوریتم از نوع classification است.
به صورت کلی الگوریتم های یادگیری ماشین به صورت زیر تقسیم بندی می شوند. در پست های بعد در مورد هر کدوم از اینها بیشتر می نویسم.
منبع:
