Diferença entre classificação e regressão

o diferença chave entre classificação e árvore de regressão é que na classificação, as variáveis ​​dependentes são categóricas e não ordenadas, enquanto na regressão as variáveis ​​dependentes são valores inteiros contínuos ou ordenados.

Classificação e regressão são técnicas de aprendizado para criar modelos de previsão a partir dos dados coletados. Ambas as técnicas são apresentadas graficamente como árvores de classificação e regressão, ou melhor, fluxogramas com divisões de dados após cada etapa, ou melhor, “ramificação” na árvore. Esse processo é chamado de particionamento recursivo. Campos como Mineração usam essas técnicas de classificação e aprendizado de regressão. Este artigo enfoca a árvore de classificação e a árvore de regressão.

CONTEÚDO

1. Visão geral e principais diferenças
2. O que é classificação
3. O que é regressão
4. Comparação Lado a Lado - Classificação x Regressão em Forma Tabular
5. Resumo

O que é classificação?

Classificação é uma técnica usada para chegar a um esquema que mostra a organização dos dados começando com uma variável precursora. As variáveis ​​dependentes são o que classificam os dados.

Figura 01: Mineração de dados

A árvore de classificação começa com a variável independente, que se ramifica em dois grupos, conforme determinado pelas variáveis ​​dependentes existentes. Destina-se a elucidar as respostas na forma de categorização provocada pelas variáveis ​​dependentes.

O que é regressão

A regressão é um método de previsão baseado em um valor de saída numérico assumido ou conhecido. Esse valor de saída é o resultado de uma série de particionamentos recursivos, com cada etapa tendo um valor numérico e outro grupo de variáveis ​​dependentes que se ramificam para outro par como este.

A árvore de regressão começa com uma ou mais variáveis ​​precursoras e termina com uma variável de saída final. As variáveis ​​dependentes são variáveis ​​numéricas contínuas ou discretas.

Qual é a diferença entre classificação e regressão?

Classificação vs Regressão
Um modelo de árvore em que a variável de destino pode assumir um conjunto discreto de valores.	Um modelo de árvore em que a variável de destino pode receber valores contínuos, geralmente números reais.
Variável dependente
Para árvore de classificação, as variáveis ​​dependentes são categóricas.	Para árvore de regressão, as variáveis ​​dependentes são numéricas.
Valores
Tem uma quantidade definida de valores não ordenados.	Tem valores discretos ainda ordenados ou valores indiscretos.
Finalidade da construção
O objetivo de construir a árvore de regressão é ajustar um sistema de regressão a cada ramo determinante de maneira que o valor esperado da saída apareça.	Uma árvore de classificação se ramifica conforme determinado por uma variável dependente derivada do nó anterior.

Resumo - Classificação vs Regressão

As árvores de regressão e classificação são técnicas úteis para mapear o processo que aponta para um resultado estudado, seja na classificação ou em um único valor numérico. A diferença entre a árvore de classificação e a árvore de regressão é sua variável dependente. As árvores de classificação têm variáveis ​​dependentes que são categóricas e não ordenadas. As árvores de regressão têm variáveis ​​dependentes que são valores contínuos ou valores inteiros ordenados.

Referência:

1. "Aprendizado em Árvore de Decisão". Wikipedia, Wikimedia Foundation, 13 de maio de 2018. Disponível aqui 

Cortesia da imagem:

1.'Data Mining'By Arbeck - Obra própria, (CC BY 3.0) via Commons Wikimedia