Comparaison côte à côte de la classification et de la régression. Comprenez en quoi prédire des catégories discrètes diffère de prédire des valeurs continues ou numériques.
Verdict rapide: Utilisez la classification lorsque la cible est une catégorie ; utilisez la régression lorsque la cible est une valeur continue ou numérique.
Classification describes supervised machine learning task in which a model assigns inputs to discrete categories.
Contexte : Particulièrement pertinent lorsque la sortie souhaitée est une étiquette, classe, catégorie ou groupe décisionnel.
Regression describes supervised machine learning task in which the target output is a continuous or numerical value.
Contexte : Particulièrement pertinent lorsque la sortie souhaitée est une quantité, estimation, score ou prévision.
| Aspect | Classification | Regression |
|---|---|---|
| Définition | La classification assigne des entrées à des catégories discrètes. | La régression prédit une valeur cible continue ou numérique. |
| Différence pratique | La sortie est une étiquette de classe, par exemple positif ou négatif, catégorie A ou catégorie B. | La sortie est un nombre, par exemple un prix, une estimation de demande, un score de risque ou une température. |
| Cas d’utilisation typique | Utilisée pour la détection de spam, l’attribution de catégories de documents, les classes d’éligibilité et les labels d’images. | Utilisée pour la prévision, la valorisation, la prédiction de demande et l’estimation numérique. |
| Erreur courante | Forcer trop tôt un problème de prédiction numérique dans des catégories. | Traiter une décision de catégorie comme une tâche de régression sans cible numérique significative. |
| Implication de gouvernance | Nécessite des définitions de classes, des contrôles de qualité des labels, une analyse de matrice de confusion et une gouvernance des seuils. | Nécessite une définition de cible, une revue de la distribution des erreurs, une calibration et une surveillance de l’exactitude des prédictions. |
En pratique, le moyen le plus rapide de choisir est de demander ce que signifie la sortie. Une étiquette indique une classification ; un nombre indique une régression.
Appeler tout modèle prédictif un classificateur.
Utiliser l’exactitude pour des tâches de régression.
Ignorer le déséquilibre des classes en classification.
Transformer des résultats continus en catégories sans documenter le seuil.
Utilisez la classification lorsque la sortie du modèle doit assigner une entrée à une ou plusieurs catégories discrètes. C’est le bon terme pour les tâches de classification binaire, multiclasse et textuelle.
Utilisez la régression lorsque la sortie du modèle doit être une valeur continue ou numérique. C’est le bon terme pour les problèmes de prédiction impliquant des quantités, estimations ou cibles à valeur réelle.
Un type de tâche clair compte pour les preuves de validation, les déclarations de performance et l’évaluation des risques. La documentation de gouvernance IA devrait préciser la cible, le type de sortie, les métriques d’évaluation et les limites plutôt que d’utiliser un langage générique sur la performance du modèle.
Un score de risque numérique brut est généralement plus proche de la régression. Si le score est converti en catégories comme faible, moyen ou élevé, la couche décisionnelle finale devient proche de la classification.
Oui. Un système peut prédire un score numérique puis le classer dans une catégorie au moyen de seuils ou de règles métier.
La classification et la régression utilisent des métriques et analyses d’erreur différentes. Les mélanger peut produire des preuves de validation trompeuses.
No recently viewed comparisons yet.