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 واقع الگوریتم باید مشخص نماید که آیا بیمار جدید به دسته بیماران دیابتی تعلق دارد؟؟؟در این صورت این الگوریتم از نوع classification است.
مثالی دیگر، فرض کنید دیتاستی شامل تصاویر سگ، گربه و اسب دارید. مثلا 1000 تصویر گربه، 1000 تصویر سگ و 1000 تصویر اسب. حال الگوریتم شما برای یک تصویر جدید باید تعیین نماید که تصویر سگ، گربه یا اسب است؟ این نیز یک وظیفه 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
