分类和回归的区别

最新推荐文章于 2024-08-23 11:06:05 发布
转载 最新推荐文章于 2024-08-23 11:06:05 发布 · 266 阅读 · 0
文章标签：

#回归 #机器学习 #人工智能

其实分类和回归的本质是一样的，都是对输入做出预测，其区别在于输出的类型。

分类问题：分类问题的输出是离散型变量(如: +1、-1)，是一种定性输出。(预测明天天气是阴、晴还是雨) 
回归问题：回归问题的输出是连续型变量，是一种定量输出。(预测明天的温度是多少度)。

转载地址：https://blog.youkuaiyun.com/fisherming/article/details/79646134

分类问题和回归问题区别与联系
Mr数据杨
02-03 1万+
分类和回归是机器学习中的两大主要预测任务，二者在输出类型、评价方式和应用场景上存在显著区别。分类模型通常用于预测标签，回归模型用于预测数量。理解分类与回归的本质差异有助于更有效地选择算法和评价指标，从而在特定任务中获得更佳的预测效果。在实际应用中，通过适当的任务转换，可以拓展算法的应用场景，并提高模型的灵活性。
【分类|回归】深度学习中的分类和回归？离散数据or连续数值？
985小水博的摸鱼日常
09-21 1362
【分类|回归】深度学习中的分类和回归？离散数据or连续数值？学习笔记！
机器学习 --- 1. 线性回归与分类, 解决与区别
小小鸟小小
04-09 5万+
机器学习可以解决很多问题，其中最为重要的两个是 回归与分类。 这两个问题怎么解决， 它们之间又有什么区别呢？ 以下举几个简单的例子，以给大家一个概念 1. 线性回归 回归分析常用于分析两个变量X和Y 之间的关系。 比如 X＝房子大小 和 Y＝房价 之间的关系， X=(公园人流量，公园门票票价） 与 Y=(公园收入) 之间的关系等等。 那么你的数据点在图上可以这么看 现在你想找到 房
“分类”和“回归”问题的区别
刘明的博客
03-21 3万+
其实分类和回归的本质是一样的，都是对输入做出预测，其区别在于输出的类型。 分类问题：分类问题的输出是离散型变量(如: +1、-1)，是一种定性输出。(预测明天天气是阴、晴还是雨) 回归问题：回归问题的输出是连续型变量，是一种定量输出。(预测明天的温度是多少度)。...
回归(regression)与分类(classification)的区别
飘过的春风
06-22 3万+
“无意中发现了一个巨牛的人工智能教程，忍不住分享一下给大家。教程不仅是零基础，通俗易懂，而且非常风趣幽默，像看小说一样！觉得太牛了，所以分享给大家。点这里可以跳转到教程。” 回归与分类的不同 1.回归问题的应用场景（预测的结果是连续的，例如预测明天的温度，23，24，25度） 回归问题通常是用来预测一个值，如预测房价、未来的天气情况等等，例如一个产品的实际价格为500元，通过回归分析预测值为...
回归问题于分类问题的区别
qq_35872942的博客
07-06 681
”回归问题于分类问题的根本区别在于输出空间是否为一个度量空间“ f(x)=y,x∈A,y∈B 对于回归问题：输出的空间B是一个度量空间，即所谓的“定量”。也就是说，回归问题的输出空间定义了一个度量d=F(y_true,y_pred)去衡量输出值与真实值之间的“误差大小”。例如：预测一瓶700毫升的可乐的价格（真实价格为5元）为6元是，误差为1；预测其为7元时，误差为2。这两个预测结果是不一样的，是有度量定义来衡量这种“不一样”的。（于是就有了均方误差这类误差函数） 对于分类为题，其输出空间B不是度量空间，即
分类与回归的区别
qq_41325078的博客
05-08 5143
分类与回归 分类与回归的区别 1、分类问题 首先，分类问题的结果是离散的，比如去银行贷款问题，银行通过问题的分析得出贷款还是不贷款。这个结果是离散的。所以分类问题是先将问题打上标签，判断一类事物的类别，分类问题没有逼近的概念，只有对错两个结果，不会有相似的结果。最常见的分类算法有逻辑回归算法等，不要以为带有回归两个字就是回归算法，他就是分类算法常见的分类算法有逻辑回归 2、...
随机森林实现分类和回归问题
weixin_74009895的博客
08-23 1900
随机森林实现分类和回归问题
机器学习分类和回归的区别？
AI168178的博客
08-22 437
分类和回归是数据挖掘和机器学习中通常处理的两个主要预测问题。分类是寻找或发现有助于将数据分成多个分类类别(即离散值)的模型或函数的过程。在分类中，根据输入中给出的一些参数将数据分类到不同的标签下，然后为数据预测标签。派生的映射函数可以以“IF-THEN”规则的形式展示。分类过程处理数据可以分为二进制或多个离散标签的问题。举个例子，假设想根据之前记录的一些参数来预测A队获胜的可能性。然后会有两个标签是和否。机器学习,分类,回归回归是寻找用于将数据区分为连续实数值而不是使用类或离散值的模型或函数的过程。
分类回归区别.docx
04-28
分类回归区别是机器学习和数据分析中两个基本概念，它们都是预测输出的方法，但它们之间存在着本质的区别。 分类 分类是预测离散输出的方法，例如二分类问题。分类模型的输出是离散的，例如判断一幅图片上的动物是...
机器学习中的回归(regression)与分类(classification)问题
热门推荐
小时候贼聪明
03-13 6万+
分类模型和回归模型本质一样，分类模型是将回归模型的输出离散化。
回归与分类的区别
Aurora_DM的博客
01-22 586
1）输出数据的类型 分类输出的数据类型是离散数据，也就是分类的标签。比如我们前面通过学生学习预测考试是否通过，这里的预测结果是考试通过，或者不通过，这2种离散数据。 回归输出的是连续数据类型。比如我们通过学习时间预测学生的考试分数，这里的预测结果分数，是连续数据。 2）第2个区别是我们想要通过机器学习算法得到什么？ 分类算法得到是一个决策面，用于对数据集中的数据进行分类。 回归算法得到是
回归与分类区别
weixin_41636030的博客
03-01 548
分类与回归的区别在于输出的类型： 分类：分类问题输出的是离散型变量，比如（-1，+1），输出一种类别，可看做定性输出 回归：输出的是连续型变量，可看作定量输出 回归优化的对象是让平方误差最小 分类回归的对象是让交叉熵最小 异或问题：可看作单位正方形的四个角，响应输入模式为（0,0),(0,1),(1,1),(1,0);第一个和第三个属于类0，输入模式(0,0),(1,1)是单位正方形的两个相对的角...
回归问题简介以及与分类问题的区别
None_Pan的博客
05-20 2145
机器学习中的回归和分类是什么？ 数据科学家使用许多不同类型的机器学习算法来发现大数据中的模式，这些模式可带来切实可行的见解。 从较高的层次上讲，这些不同的算法可以根据它们“学习”数据进行预测的方式分为两类：监督学习和无监督学习。 有监督的机器学习：大多数实际的机器学习都使用有监督的学习。 在监督学习中，您具有输入变量（x）和输出变量（Y），并使用一种算法来学习从输入到输出的映射函数Y = f（X）。 目标是很好地近似映射函数，以便在拥有新的输入数据（x）时可以预测该数据的输出变量（Y）。 监督机器学习算法的
“分类” 与 “回归”的概念及区别详解
shanlijia的博客
10-17 1万+
目录 1、分类与回归是干嘛的？ 2、二者有什么区别 1.输出不同 2.目的不同 3.本质不同 4.结果不同 3、场景应用 1.分类应用 2.回归应用 学过机器学习的人都听过两个概念：分类与回归，特别的，在YOLO v1中，作者也提到了 YOLO之前的物体检测方法通常都转变为了一个分类问题，如 R-CNN、Fast R-CNN 等等。而YOLO将检测变为一个 回归问题。 那么这两个概念有什么联系，有什么区别呢？ 写这篇博客，参考过很多人的简...
回归和分类的区别
爱吃冰淇凌的羊驼
09-23 4243
回归问题是指f(x)是一个连续的值，给定一个新的模式，根据训练集推断它所对应的输出值（实数）是多少，是一种定量输出，也叫连续变量预测。 分类问题是指f(x)是一个离散的值，给定一个新的模式，根据训练集推断它所对应的类别（如：+1，-1），是一种定性输出，也叫离散变量预测。 举个例子：预测明天的气温是多少度，这是一个回归任务；预测明天是阴、晴还是雨，就是一个分类任务。 其实回归问题和分类问题的...
分类问题和回归问题区别
爱敲代码的小赤佬
07-24 698
分类算法和回归算法是对真实世界不同建模的方法。 分类模型是认为模型的输出是离散的： 例如大自然的生物被划分为不同的种类，是离散的。 回归模型的输出是连续的： 例如人的身高变化过程是一个连续过程，而不是离散的。 分类算法和回归算法是对真实世界不同建模的方法。 分类模型是认为模型的输出是离散的： 例如大自然的生物被划分为不同的种类，是离散的。 回归模型的输出是连续的： 例如人的身高变化过程是一个连续过程，而不是离散的。# 学习目标： 分类问题和回归问题 分类算法和回归算法是对真实世界不同建模的方法。 分类模
回归与分类问题
m0_74831463的博客
05-29 1257
最后的分类效果很好，达到了理想状态。
KNN分类和回归区别
最新发布
02-09
### KNN算法在分类和回归任务中的差异 #### 分类任务中的KNN 在分类任务中，K近邻（KNN）算法通过计算测试样本与其最近邻居的距离来预测类别标签。具体来说，在给定的数据集中找到距离最近的`k`个训练实例，并依据这些邻居所属的主要类别决定新数据点的类别归属[^2]。 对于分类问题而言，最终输出的是离目标样本最接近的一组已知样本所占比例最大的那一类标签作为预测结果。例如： ```python from sklearn.neighbors import KNeighborsClassifier from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score # 加载鸢尾花数据集并划分训练集与测试集 data = load_iris() X_train, X_test, y_train, y_test = train_test_split(data.data, data.target) # 创建KNN分类器对象并将模型拟合到训练数据上 clf = KNeighborsClassifier(n_neighbors=15) clf.fit(X_train, y_train) # 计算准确率得分 accuracy_train = accuracy_score(y_train, clf.predict(X_train)) accuracy_test = accuracy_score(y_test, clf.predict(X_test)) print(f'Training Accuracy: {accuracy_train:.4f}') print(f'Testing Accuracy: {accuracy_test:.4f}') ``` #### 回归任务中的KNN 而在回归场景下，KNN的工作方式略有不同。此时的目标不再是寻找多数投票最多的类别，而是基于选定的`k`个临近点估计连续型变量值。通常采用的方法是对这`k`个邻居的实际数值取平均数或加权均值以得出预测值。 针对回归分析，可以利用如下代码实现简单的线性关系建模： ```python from sklearn.neighbors import KNeighborsRegressor import numpy as np # 构造简单的人工数据用于演示目的 np.random.seed(0) X_reg = np.sort(5 * np.random.rand(40, 1), axis=0) y_reg = np.sin(X_reg).ravel() # 添加一些噪声使情况更贴近现实世界应用 y_reg[::5] += 1 * (0.5 - np.random.rand(8)) # 使用默认参数初始化KNN回归器并进行拟合操作 regressor = KNeighborsRegressor(n_neighbors=5) regressor.fit(X_reg, y_reg) # 预测新的输入向量对应的响应变量值 new_input = [[2.]] predicted_value = regressor.predict(new_input) print(f'Predicted value for input {new_input}: {predicted_value[0]:.4f}') ``` 两种情况下虽然都依赖于相似的核心概念——即考虑周围样本来做出决策，但在处理不同类型的任务时采取的具体策略存在明显区别。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值