10. Jakie są różnice między klasyfikacją a regresją w uczeniu maszynowym?

Klasyfikacja i regresja to dwa podstawowe rodzaje problemów w uczeniu maszynowym, różniące się typem przewidywanych wartości.

Klasyfikacja:

• Celem jest przypisanie próbek do jednej z wielu dyskretnych kategorii.
• Wynikiem jest etykieta klasowa (kategoria).
• Przykłady zastosowań: rozpoznawanie obrazów, diagnoza medyczna, klasyfikacja wiadomości e-mail jako spam/nie-spam.
• Przykłady algorytmów: Drzewa decyzyjne, SVM, Naive Bayes, KNN.

Regresja:

• Celem jest przewidywanie ciągłej wartości liczbowej.
• Wynikiem jest liczba rzeczywista.
• Przykłady zastosowań: prognozowanie cen, analiza trendów, przewidywanie sprzedaży.
• Przykłady algorytmów: Regresja liniowa, Regresja wielomianowa, Drzewa regresyjne.

Główne różnice:

1. Typ wyniku: Klasyfikacja przewiduje kategorie, a regresja wartości liczbowe.
2. Metryki oceny: Klasyfikacja używa metryk takich jak dokładność, precyzja, czułość, podczas gdy regresja używa RMSE, MAE, R².
3. Zastosowania: Klasyfikacja jest używana w zadaniach wymagających decyzji kategorycznych, a regresja w zadaniach wymagających przewidywania ilościowego.

Klasyfikacja i regresja są fundamentem wielu zastosowań uczenia maszynowego, umożliwiając rozwiązywanie szerokiego zakresu problemów.