Задачи — это ключ к решению проблем машинного обучения путем выбора правильного набора алгоритмов.
Проще говоря, регрессия предназначена для прогнозирования числовых значений, таких как цена, зарплата, возраст и т. д. Прогнозируемый результат всегда будет непрерывной переменной. В регрессии мы пытаемся найти наиболее подходящую линию, которая может более точно предсказать результат. MSE (среднеквадратичное значение), R sqaure, MAPE (средняя абсолютная ошибка в процентах) — это несколько показателей эффективности алгоритма регрессии.
Принимая во внимание, что Классификация предназначена для прогнозирования того, относится ли наблюдение к определенному классу или ярлыку (дискретному), такому как «Мужской» или «Женский», «Истина» или «Ложь». В классификации мы пытаемся найти границу решения, которая может разделить набор данных на разные классы. Точность, F1-оценка, AUC (площадь под кривой), потери журнала и т. д. — это несколько матриц производительности, используемых для алгоритма классификации.
Хотя Регрессия и Классификация представляют собой разные наборы задач, мы все же можем преобразовать один тип задачи в другой, используя различные интуитивные методы.
