2 of 11

Regresszió

A regresszió is felügyelt gépi tanulási feladat, azaz rendelkezésre áll egy tanító adatbázis, ami alapján egy modellt kell tanulnunk, ami utána korábban nem látott egyedekre is képes predikálni.
Az osztályozási feladatnál a célváltozó egy osztály/kategória címke, addig a regressziónál a célváltozó egy folytonos érték.

4 of 11

Regresszió

Megjegyezzük, hogy a gépi tanulás regresszió feladata nagyon hasonlít a statisztika regresszió analízis feladatához.
Míg azonban a statisztikában az az egyetlen célunk, hogy jellemezni tudjunk egy adathalmazt, a gépi tanulásnál ismeretlen egyedeken való minél pontosabb predikció a cél, amihez általánosítási készségre is szükség van.

Kiértékelési metrikák a regressziós feladatnál

Mivel a regresszió is felügyelt gépi tanulási feladat, ezért a kiértékelés módszertana megegyezik az oszályozási feladatéval.

Azaz tanító és kiértékelő adatbázisra bontjuk a címkézett athalmazunkat, a tanító adatbázison tanítunk egy modellt és az elkülönített kiértékelő adatbázison mérjük a modell pontosságát/teljesítményét.

Kiértékelési metrikák a regressziós feladatnál

Azonban a találati arány és pontosság+fedés kiértékelési metrikák nem értelmezhetőek folytonos célváltozó predikciójánál, a regressziós feladathoz speciális kiértékelési metrikát kell választanunk.

A regressziós feladatoknál leggyakrabban használt kiértékelési metrika az átlagos négyzetes hiba (mean squared error, MSE).

Gépi tanulási algoritmusok regresszióra

Lineáris regresszió

Lineáris regresszió esetén egyetlen diszkriminancia függvényt tanulunk és annak kimenete lesz a predikciónk.

y= ax + b

Lineáris regresszió

Lineáris regresszió esetén egyetlen diszkriminancia függvényt tanulunk és annak kimenete lesz a predikciónk.

https://mlu-explain.github.io/linear-regression/

Lehetne több tag is….

y= a1x1 + a2x2 + a3x3+…. b

y= ax + b

Hogyan is működik….

Regressziós döntési fák

A regressziós döntési fa modellje szintén egy döntési fa, ami a jellemzők közötti logikai kapcsolatot írja le. A osztályozt végző döntési fához képest az eltérés a leveleken van. A regressziós döntési fa leveleiben vagy egy konstans érték vagy egy lineáris regressziós modell (minden levelén különböző modell) van.

https://mlu-explain.github.io/decision-tree/

Regressziós knn

A k legközelebbi szomszéd osztályozót is használhatjuk regresszióra.
Itt is meg kell adnunk egy egyedek közti távolság/hasonlóság függvényt, ami alapján predikciós időben az ismeretlen egyedhez, a tanító adatbázisbeli k legközelebbi egyedet megkeresi az algoritmus.
A tanító adatbázbeli szomszédokhoz most folytonos érték van rendelve (célváltozó).
A regressziós kNN a k szomszéd tanító adatbázis célértékének átlagát - vagy hasonlósággal súlyozott átlagát - fogja predikálni.

http://www.inf.u-szeged.hu/~rfarkas/ML20/knn.html

https://www.javatpoint.com/k-nearest-neighbor-algorithm-for-machine-learning