¿Cuál es la principal diferencia entre los problemas de clasificación y regresión?


Respuesta 1:

La diferencia clave es que la salida.

La clasificación es una de un conjunto discreto (por ejemplo, "¿qué tipo de fruta es esta?" O "¿qué afección médica padece la persona?")

Para la regresión, el resultado es un número continuo (por ejemplo, "¿cuál es la cantidad esperada que el mercado de valores subirá o bajará hoy?" O "¿qué tan cancerígeno es este compuesto?").

Un caso especial de regresión es cuando la salida no es cualquier número, sino un número entre 0 y 1 donde 0 significa "esto no va a suceder" a 1 siendo "esto definitivamente sucederá".

Algunos algoritmos de aprendizaje están dirigidos a uno, otros al otro. Muchos de ellos tienen el mismo algoritmo central, pero con modificaciones menores, p. los árboles de decisión pueden modificarse fácilmente para admitir la regresión.


Respuesta 2:

¿Dijiste la principal diferencia? Eso es singular pero tengo más de uno.

Aunque tanto los problemas de clasificación como de regresión predicen, lo diferente es en los resultados de sus predicciones.

Problema de clasificación

Como sugiere la clasificación de nombres (también conocida como regresión logística), sus resultados se clasifican por categorías. Un buen caso de uso para la clasificación sería predecir quién hará clic en un anuncio o quién comprará. Ese es un problema de clasificación binaria.

También puede usar la regresión logística para identificar imágenes de automóviles de pasajeros desde autobuses o una motocicleta desde una bicicleta, etc. Estos siguen siendo problemas de clasificación binaria.

Los dígitos escritos a mano también se pueden identificar mediante regresión logística. Ese sería un problema de clasificación de varias clases.

Los problemas de clasificación utilizan una hipótesis que es una función sigmoidea.

Problema de regresión

Es una forma corta de regresión lineal. Es diferente del problema de clasificación en que la regresión lineal solo predice un resultado "regular" que no está categorizado.

Por ejemplo, puede usar la regresión lineal para predecir cómo Nikkei se reuniría, dada la fuerza del yen. Puede, por ejemplo, determinar si el mercado de valores de EE. UU. Se recuperará según los datos económicos de EE. UU., La tasa de interés de la Reserva Federal y los precios mundiales del crudo. En ambos casos, el yen, los datos económicos de EE. UU., La tasa de interés y los precios del crudo serán algunas de sus características.

Otro buen caso clásico de uso de la regresión lineal sería predecir los precios de la vivienda, dado el año en que se construyó, el vecindario en el que se encuentra, el tamaño de su vivienda, etc.

Los problemas de regresión utilizan una hipótesis que toma la suma de productos de parámetros de características. Es decir, la hipótesis en los problemas de regresión contiene la suma de los términos, cada uno de los cuales es la multiplicación de una característica y un parámetro.

Algo en común

Usted pidió la diferencia, pero también me gustaría señalar lo que tienen en común mientras lo hago. En Machine Learning, ambos se consideran aprendizaje supervisado.

Posdata

No utilice la regresión logística para diferenciar entre Trump y Giuliani. Hacerlo sería como "poner a los psicópatas en una situación de tratamiento grupal ya que existe el riesgo de que lo corrompan" (*). Son prácticamente indistinguibles, por lo que no funcionará en ellos.

(*) Adaptado de un artículo de la BBC


Respuesta 3:

¿Dijiste la principal diferencia? Eso es singular pero tengo más de uno.

Aunque tanto los problemas de clasificación como de regresión predicen, lo diferente es en los resultados de sus predicciones.

Problema de clasificación

Como sugiere la clasificación de nombres (también conocida como regresión logística), sus resultados se clasifican por categorías. Un buen caso de uso para la clasificación sería predecir quién hará clic en un anuncio o quién comprará. Ese es un problema de clasificación binaria.

También puede usar la regresión logística para identificar imágenes de automóviles de pasajeros desde autobuses o una motocicleta desde una bicicleta, etc. Estos siguen siendo problemas de clasificación binaria.

Los dígitos escritos a mano también se pueden identificar mediante regresión logística. Ese sería un problema de clasificación de varias clases.

Los problemas de clasificación utilizan una hipótesis que es una función sigmoidea.

Problema de regresión

Es una forma corta de regresión lineal. Es diferente del problema de clasificación en que la regresión lineal solo predice un resultado "regular" que no está categorizado.

Por ejemplo, puede usar la regresión lineal para predecir cómo Nikkei se reuniría, dada la fuerza del yen. Puede, por ejemplo, determinar si el mercado de valores de EE. UU. Se recuperará según los datos económicos de EE. UU., La tasa de interés de la Reserva Federal y los precios mundiales del crudo. En ambos casos, el yen, los datos económicos de EE. UU., La tasa de interés y los precios del crudo serán algunas de sus características.

Otro buen caso clásico de uso de la regresión lineal sería predecir los precios de la vivienda, dado el año en que se construyó, el vecindario en el que se encuentra, el tamaño de su vivienda, etc.

Los problemas de regresión utilizan una hipótesis que toma la suma de productos de parámetros de características. Es decir, la hipótesis en los problemas de regresión contiene la suma de los términos, cada uno de los cuales es la multiplicación de una característica y un parámetro.

Algo en común

Usted pidió la diferencia, pero también me gustaría señalar lo que tienen en común mientras lo hago. En Machine Learning, ambos se consideran aprendizaje supervisado.

Posdata

No utilice la regresión logística para diferenciar entre Trump y Giuliani. Hacerlo sería como "poner a los psicópatas en una situación de tratamiento grupal ya que existe el riesgo de que lo corrompan" (*). Son prácticamente indistinguibles, por lo que no funcionará en ellos.

(*) Adaptado de un artículo de la BBC


Respuesta 4:

¿Dijiste la principal diferencia? Eso es singular pero tengo más de uno.

Aunque tanto los problemas de clasificación como de regresión predicen, lo diferente es en los resultados de sus predicciones.

Problema de clasificación

Como sugiere la clasificación de nombres (también conocida como regresión logística), sus resultados se clasifican por categorías. Un buen caso de uso para la clasificación sería predecir quién hará clic en un anuncio o quién comprará. Ese es un problema de clasificación binaria.

También puede usar la regresión logística para identificar imágenes de automóviles de pasajeros desde autobuses o una motocicleta desde una bicicleta, etc. Estos siguen siendo problemas de clasificación binaria.

Los dígitos escritos a mano también se pueden identificar mediante regresión logística. Ese sería un problema de clasificación de varias clases.

Los problemas de clasificación utilizan una hipótesis que es una función sigmoidea.

Problema de regresión

Es una forma corta de regresión lineal. Es diferente del problema de clasificación en que la regresión lineal solo predice un resultado "regular" que no está categorizado.

Por ejemplo, puede usar la regresión lineal para predecir cómo Nikkei se reuniría, dada la fuerza del yen. Puede, por ejemplo, determinar si el mercado de valores de EE. UU. Se recuperará según los datos económicos de EE. UU., La tasa de interés de la Reserva Federal y los precios mundiales del crudo. En ambos casos, el yen, los datos económicos de EE. UU., La tasa de interés y los precios del crudo serán algunas de sus características.

Otro buen caso clásico de uso de la regresión lineal sería predecir los precios de la vivienda, dado el año en que se construyó, el vecindario en el que se encuentra, el tamaño de su vivienda, etc.

Los problemas de regresión utilizan una hipótesis que toma la suma de productos de parámetros de características. Es decir, la hipótesis en los problemas de regresión contiene la suma de los términos, cada uno de los cuales es la multiplicación de una característica y un parámetro.

Algo en común

Usted pidió la diferencia, pero también me gustaría señalar lo que tienen en común mientras lo hago. En Machine Learning, ambos se consideran aprendizaje supervisado.

Posdata

No utilice la regresión logística para diferenciar entre Trump y Giuliani. Hacerlo sería como "poner a los psicópatas en una situación de tratamiento grupal ya que existe el riesgo de que lo corrompan" (*). Son prácticamente indistinguibles, por lo que no funcionará en ellos.

(*) Adaptado de un artículo de la BBC


Respuesta 5:

¿Dijiste la principal diferencia? Eso es singular pero tengo más de uno.

Aunque tanto los problemas de clasificación como de regresión predicen, lo diferente es en los resultados de sus predicciones.

Problema de clasificación

Como sugiere la clasificación de nombres (también conocida como regresión logística), sus resultados se clasifican por categorías. Un buen caso de uso para la clasificación sería predecir quién hará clic en un anuncio o quién comprará. Ese es un problema de clasificación binaria.

También puede usar la regresión logística para identificar imágenes de automóviles de pasajeros desde autobuses o una motocicleta desde una bicicleta, etc. Estos siguen siendo problemas de clasificación binaria.

Los dígitos escritos a mano también se pueden identificar mediante regresión logística. Ese sería un problema de clasificación de varias clases.

Los problemas de clasificación utilizan una hipótesis que es una función sigmoidea.

Problema de regresión

Es una forma corta de regresión lineal. Es diferente del problema de clasificación en que la regresión lineal solo predice un resultado "regular" que no está categorizado.

Por ejemplo, puede usar la regresión lineal para predecir cómo Nikkei se reuniría, dada la fuerza del yen. Puede, por ejemplo, determinar si el mercado de valores de EE. UU. Se recuperará según los datos económicos de EE. UU., La tasa de interés de la Reserva Federal y los precios mundiales del crudo. En ambos casos, el yen, los datos económicos de EE. UU., La tasa de interés y los precios del crudo serán algunas de sus características.

Otro buen caso clásico de uso de la regresión lineal sería predecir los precios de la vivienda, dado el año en que se construyó, el vecindario en el que se encuentra, el tamaño de su vivienda, etc.

Los problemas de regresión utilizan una hipótesis que toma la suma de productos de parámetros de características. Es decir, la hipótesis en los problemas de regresión contiene la suma de los términos, cada uno de los cuales es la multiplicación de una característica y un parámetro.

Algo en común

Usted pidió la diferencia, pero también me gustaría señalar lo que tienen en común mientras lo hago. En Machine Learning, ambos se consideran aprendizaje supervisado.

Posdata

No utilice la regresión logística para diferenciar entre Trump y Giuliani. Hacerlo sería como "poner a los psicópatas en una situación de tratamiento grupal ya que existe el riesgo de que lo corrompan" (*). Son prácticamente indistinguibles, por lo que no funcionará en ellos.

(*) Adaptado de un artículo de la BBC


Respuesta 6:

¿Dijiste la principal diferencia? Eso es singular pero tengo más de uno.

Aunque tanto los problemas de clasificación como de regresión predicen, lo diferente es en los resultados de sus predicciones.

Problema de clasificación

Como sugiere la clasificación de nombres (también conocida como regresión logística), sus resultados se clasifican por categorías. Un buen caso de uso para la clasificación sería predecir quién hará clic en un anuncio o quién comprará. Ese es un problema de clasificación binaria.

También puede usar la regresión logística para identificar imágenes de automóviles de pasajeros desde autobuses o una motocicleta desde una bicicleta, etc. Estos siguen siendo problemas de clasificación binaria.

Los dígitos escritos a mano también se pueden identificar mediante regresión logística. Ese sería un problema de clasificación de varias clases.

Los problemas de clasificación utilizan una hipótesis que es una función sigmoidea.

Problema de regresión

Es una forma corta de regresión lineal. Es diferente del problema de clasificación en que la regresión lineal solo predice un resultado "regular" que no está categorizado.

Por ejemplo, puede usar la regresión lineal para predecir cómo Nikkei se reuniría, dada la fuerza del yen. Puede, por ejemplo, determinar si el mercado de valores de EE. UU. Se recuperará según los datos económicos de EE. UU., La tasa de interés de la Reserva Federal y los precios mundiales del crudo. En ambos casos, el yen, los datos económicos de EE. UU., La tasa de interés y los precios del crudo serán algunas de sus características.

Otro buen caso clásico de uso de la regresión lineal sería predecir los precios de la vivienda, dado el año en que se construyó, el vecindario en el que se encuentra, el tamaño de su vivienda, etc.

Los problemas de regresión utilizan una hipótesis que toma la suma de productos de parámetros de características. Es decir, la hipótesis en los problemas de regresión contiene la suma de los términos, cada uno de los cuales es la multiplicación de una característica y un parámetro.

Algo en común

Usted pidió la diferencia, pero también me gustaría señalar lo que tienen en común mientras lo hago. En Machine Learning, ambos se consideran aprendizaje supervisado.

Posdata

No utilice la regresión logística para diferenciar entre Trump y Giuliani. Hacerlo sería como "poner a los psicópatas en una situación de tratamiento grupal ya que existe el riesgo de que lo corrompan" (*). Son prácticamente indistinguibles, por lo que no funcionará en ellos.

(*) Adaptado de un artículo de la BBC