Qu'est-ce qu'un problème de régression en machine learning ?
Qu'est-ce qu'un problème de régression en machine learning ?

Vidéo: Qu'est-ce qu'un problème de régression en machine learning ?

Vidéo: Qu'est-ce qu'un problème de régression en machine learning ?
Vidéo: QU'EST CE QUE LA REGRESSION ET LA CLASSIFICATION EN MACHINE LEARNING ? - VLOG IA 2024, Novembre
Anonim

Un problème de régression survient lorsque la variable de sortie est un réel ou une valeur continue, telle que un salaire » ou « poids ». De nombreux différents modèles peuvent être utilisés, le plus simple est la régression linéaire. Il essaie d'ajuster les données avec le meilleur hyper-plan qui passe par les points.

La question est également: qu'est-ce que la régression dans l'apprentissage automatique avec un exemple ?

Régression des modèles sont utilisés pour prédire une valeur continue. Prédire les prix d'une maison compte tenu des caractéristiques de la maison comme la taille, le prix, etc. exemples de Régression . C'est une technique supervisée.

À côté de ci-dessus, qu'est-ce qu'un problème de classification dans l'apprentissage automatique ? Dans apprentissage automatique et statistiques, classification est le problème d'identifier à laquelle d'un ensemble de catégories (sous-populations) appartient une nouvelle observation, sur la base d'un ensemble de données d'apprentissage contenant des observations (ou instances) dont l'appartenance à une catégorie est connue.

Les gens se demandent également quelle est la différence entre l'apprentissage automatique et la régression ?

Malheureusement, il y a là où la similitude entre régression par rapport à la classification apprentissage automatique prend fin. Le principal différence entre eux est que la variable de sortie dans régression est numérique (ou continue) alors que celle de la classification est catégorique (ou discrète).

L'apprentissage automatique n'est-il qu'une régression ?

Linéaire régression est certainement un algorithme qui peut être utilisé dans apprentissage automatique . Apprentissage automatique implique souvent beaucoup plus de variables explicatives (caractéristiques) que les modèles statistiques traditionnels. Peut-être des dizaines, parfois même des centaines, dont certaines seront des variables catégorielles à plusieurs niveaux.

Conseillé: