分類（Classification）與迴歸（Regression）預測值的主要差異
1. 預測值的性質
分類（Classification）：
離散值：分類問題的預測值是離散的標籤或類別。目標是將輸入數據分配到預定的類別中。
範例：分類問題的常見範例包括垃圾郵件檢測（郵件是垃圾郵件或非垃圾郵件）、圖像識別（圖像中的對象是貓還是狗）、醫療診斷（病人是患有某種疾病還是沒有患病）等。
迴歸（Regression）：
連續值：迴歸問題的預測值是連續的數值。目標是根據輸入數據預測一個實數值。
範例：迴歸問題的常見範例包括房價預測（根據房屋特徵預測價格）、股票市場預測（根據歷史數據預測股票價格）、溫度預測（根據氣象數據預測未來的溫度）等。
2. 輸出範圍
分類（Classification）：
有限範圍：分類的輸出是有限的幾個可能類別中的一個。每個輸入樣本都被分配到一個特定的類別，這些類別是事先定義好的。
例子：二元分類（例如，二進制結果：0 或 1）、多類分類（例如，多個標籤：貓、狗、鳥）。
迴歸（Regression）：
無限範圍：迴歸的輸出是一個連續的數值，範圍理論上是無限的。輸出可以是任何實數。
例子：預測房屋價格可以是任何正數，預測氣溫可以是任何合理範圍內的實數。
3. 評估方法
分類（Classification）：
常見評估指標：準確率（Accuracy）、精確率（Precision）、召回率（Recall）、F1 分數（F1 Score）、ROC-AUC 曲線（Receiver Operating Characteristic - Area Under Curve）。
混淆矩陣：常用於可視化分類器的性能，展示真實標籤和預測標籤之間的關係。
迴歸（Regression）：
常見評估指標：均方誤差（Mean Squared Error, MSE）、平均絕對誤差（Mean Absolute Error, MAE）、R 方（R-squared）。
殘差分析：分析預測值與實際值之間的殘差分佈，評估迴歸模型的性能。
總結
分類：預測離散值，即將數據分配到預定的類別中。輸出是有限的幾個類別之一。
迴歸：預測連續值，即根據數據預測實數。輸出是一個無限範圍內的連續數值。
這是分類與迴歸在機器學習中的主要差異，它們適用於不同的問題和數據類型，並使用不同的評估方法來衡量模型性能。
阿摩線上測驗
登入