Bazı özellikler verildiğinde kullanıcının kullanılabilirliğini tahmin etmek için sınıflandırmaya veya gerilemeye ihtiyacım var mı?

Veri madenciliği yöntemlerini incelerken iki ana kategori olduğunu anladım:

• Tahmin yöntemleri:

  • sınıflandırma
  • gerileme

• Açıklayıcı yöntemler:

  • Kümeleme
  • İlişkilendirme kuralları

Konum, aktivite, pil seviyesine (eğitim modeli için girdi) dayalı olarak kullanıcı kullanılabilirliğini (çıktı) tahmin etmek istediğim için, "Öngörücü yöntemler" i seçeceğimin açık olduğunu düşünüyorum, ancak şimdi seçim yapamıyorum sınıflandırma ve regresyon. Şimdiye kadar anladığım kadarıyla, sınıflandırma sorunumu çözebilir, çünkü çıktı "mevcut" veya "mevcut değil".

Sınıflandırma bana kullanıcının mevcut olma veya mevcut olma olasılığını (veya olasılığını) sağlayabilir mi?

Çıktıda olduğu gibi sadece 0 (mevcut değil) veya 1 (mevcut) için değil, aynı zamanda şöyle bir şey olurdu:

• $80\%$ mevcut
• $20\%$ müsait değil

Bu sorun regresyon kullanılarak da çözülebilir mi?

Regresyonun sürekli çıkış için kullanıldığını anlıyorum (sadece 0 veya 1 çıkış değil), ancak çıkış kullanıcı kullanılabilirliğinin sürekli değeri olamaz (çıkış $80$ anlamı kullanıcı $80\%$ kullanılabilir, dolaylı olarak kullanıcı $20\%$ kullanım dışı).

1. Evet. Örneğin, popüler softmax regresyonu her sınıf için olasılık dağılımı sağlar.
2. Evet. Softmax, bir dizi ayrık sınıf üzerinde bir gerilemedir.

Regresyonu sınıflandırma için kullanabiliriz, en yaygın strateji tahmin için en olası sınıfı ele geçirmektir.

Evet, çıkış gereksiniminize göre sınıflandırma veya regresyon kullanabilirsiniz,

Etiketli çıktı istiyorsanız (mevcut veya mevcut değil gibi) sınıflandırma kullanılmalıdır.

Çıktının kullanılabilirlik yüzdesi biçiminde olmasını istiyorsanız regresyon kullanılmalıdır.

Saf bayes sınıflandırmasını kullanabilir ve önceki inançları kullanarak posterior olasılıkları hesaplayabilir veya sigmoid işleviyle lojistik regresyon kullanılabilir.