分類分析和回歸分析是機(jī)器學(xué)習(xí)中兩個(gè)非常重要的概念，在實(shí)際應(yīng)用中，它們各自有著不同的應(yīng)用場(chǎng)景?；貧w分析適合于需要預(yù)測(cè)連續(xù)數(shù)值型數(shù)據(jù)的情況，而分類分析則針對(duì)離散類型的問(wèn)題，比如二分類、多分類等?；貧w分析和分類分析的本質(zhì)是一樣的，都是有監(jiān)督學(xué)習(xí)，但是兩者在輸出數(shù)據(jù)類型、得到的算法結(jié)果以及模型評(píng)估指標(biāo)等方面存在一些差異。
（1）輸出數(shù)據(jù)的類型?；貧w輸出的是連續(xù)數(shù)據(jù)類型，比如我們通過(guò)學(xué)習(xí)時(shí)間預(yù)測(cè)學(xué)生的考試分?jǐn)?shù)，這里的預(yù)測(cè)結(jié)果分?jǐn)?shù)，是連續(xù)數(shù)據(jù)。分類輸出的是離散型數(shù)據(jù)，也就是分類的標(biāo)簽，比如我們通過(guò)學(xué)生學(xué)習(xí)預(yù)測(cè)考試是否通過(guò)，這里的預(yù)測(cè)結(jié)果是考試通過(guò)或者不通過(guò)，這兩種離散數(shù)據(jù)。
（2）我們想要通過(guò)機(jī)器學(xué)習(xí)算法得到什么。分類得到是一個(gè)決策面，用于對(duì)數(shù)據(jù)集中的數(shù)據(jù)進(jìn)行分類。回歸得到是一個(gè)最優(yōu)擬合線，這個(gè)線條可以最好的接近數(shù)據(jù)集中的各個(gè)點(diǎn)。
（3）模型評(píng)估指標(biāo)不同。分類中我們通常會(huì)使用準(zhǔn)確率作為指標(biāo)?；貧w中我們通常用決定系數(shù)R2來(lái)評(píng)估模型的好壞。
分類分析和回歸分析步驟相同，在這里不做過(guò)多贅述。區(qū)別在于分類算法必須設(shè)置自變量，自變量可以是連續(xù)型（數(shù)值）也可以是離散型（字符），也必須設(shè)置因變量，且因變量必須是一個(gè)離散型（字符）。
平臺(tái)內(nèi)置分類算法：邏輯回歸分類、樸素貝葉斯、Xgboost分類、貝葉斯網(wǎng)絡(luò)分類、BP神經(jīng)網(wǎng)絡(luò)分類、隨機(jī)森林分類、支持向量機(jī)分類、 CART、ID3分類、C45+決策樹(shù)分類、梯度提升決策樹(shù)分類、L1/2稀疏迭代分類、RBF神經(jīng)網(wǎng)絡(luò)分類、KNN、線性判別分類和Adaboost分類。當(dāng)然也可選擇自動(dòng)分類節(jié)點(diǎn)構(gòu)建模型。
分類的模型評(píng)估指標(biāo)包括準(zhǔn)確率、精確率、召回率、F1值、ROC曲線、PR曲線、Lift曲線、Gains曲線、Fini系數(shù)、K-S曲線等，具體的指標(biāo)說(shuō)明和曲線圖可以在平臺(tái)洞察中查看。
再來(lái)看數(shù)據(jù)集的情況，可以看到屬性“prediction”為分類預(yù)測(cè)結(jié)果，“probability”為每個(gè)類別的概率值。
同樣，我們也可以利用訓(xùn)練好的模型進(jìn)行類別預(yù)測(cè)，如下圖：
總之，分類分析是機(jī)器學(xué)習(xí)中非常重要的分析方法之一，它的應(yīng)用廣泛，可用于各種分類問(wèn)題。在實(shí)踐過(guò)程中，我們需要根據(jù)具體的任務(wù)需求選擇合適的分類算法，并綜合考慮不同的模型評(píng)估指標(biāo)，以達(dá)到更為準(zhǔn)確和有效的分類結(jié)果。分類分析將會(huì)在未來(lái)的人工智能領(lǐng)域發(fā)揮越來(lái)越重要的作用，我們期待著這項(xiàng)技術(shù)的日益發(fā)展。
Tempo商業(yè)智能平臺(tái)
Tempo人工智能平臺(tái)
Tempo數(shù)據(jù)工廠平臺(tái)
Tempo指標(biāo)平臺(tái)
Tempo數(shù)據(jù)治理平臺(tái)
Tempo主數(shù)據(jù)管理平臺(tái)
首頁(yè)
美林?jǐn)?shù)據(jù)
行業(yè)資訊
陜公網(wǎng)安備 61019002000171號(hào)
