回帰と分類の違いは何ですか？

回帰は、連続値の属性を予測するために使用できる教師あり機械学習アプローチのタイプを定義します。回帰は、ターゲット変数と予測変数の関連付けを調査するためのビジネス組織を提供します。これは、金銭的予測と時系列モデリングに使用できるデータを調査するために不可欠なツールです。

回帰などの関数にデータを適合させることにより、データを平滑化できます。線形回帰には、2つの属性（または変数）に適合する「最良の」線を見つけることが含まれるため、一方の属性を使用してもう一方の属性を予測できます。いくつかの線形回帰は線形回帰の進歩であり、2つ以上の属性が含まれ、データは多次元空間に適合します。

線形回帰では、データは直線に合うようにモデル化されます。たとえば、確率変数y（応答変数と呼ばれる）は、方程式y =wx + bを使用して、別の確率変数x（予測変数と呼ばれる）の線形関数としてモデル化できます。ここで、yの分散は考慮されます。一定である。

回帰の問題は、入力値に配置された出力値の計算で管理されます。分類に使用する場合、入力値はデータベースからの値であり、出力値はクラスを表します。回帰は、分類の問題を調査するために使用できますが、予測などの複数のアプリケーションに使用できます。回帰の基本構造は、1つの予測子と1つの予測のみを含む単純な線形回帰です。

分類

分類は、データクラスまたは概念を表現および区別するモデルを検出する手順であり、モデルを使用して、クラスラベルが匿名であるオブジェクトのクラスを予測できるようにすることを目的としています。導出されたモデルは、トレーニングレコードのグループ（つまり、クラスラベルがよく知られているデータオブジェクト）の分析に基づいています。

各タプルは、クラスラベル属性と呼ばれる属性の1つによって決定されるように、事前定義されたクラスに属するように扱われます。分類の構造では、データタプルはサンプル、例、またはオブジェクトとして表されます。モデルを作成するために分析されたデータタプルは、集合的にトレーニングデータセットを形成します。トレーニングセットを構成する個々のタプルは、トレーニングサンプルとして表され、サンプル母集団から選択されます。

すべてのトレーニングサンプルのクラスラベルが提供されているため、このプロセスは教師あり学習としても定義されます。教師なし学習では、トレーニングサンプルのクラスラベルが特定されておらず、理解する必要のあるさまざまなクラスを事前に知ることができません。