Introdução:
Regressão e classificação são dois conceitos fundamentais no aprendizado supervisionado, um tipo de aprendizado de máquina em que os algoritmos aprendem com exemplos rotulados. A principal diferença entre regressão e classificação reside no tipo de variável que o algoritmo tenta prever.
Regressão:
- Objetivo: Prever um valor numérico contínuo.
- Exemplos:
- Prever o preço de uma casa com base em suas características.
- Prever a temperatura em um determinado dia com base em dados históricos.
- Algoritmos:
- Regressão linear.
- Regressão logística.
- Árvores de regressão.
Classificação:
- Objetivo: Prever uma categoria discreta.
- Exemplos:
- Classificar um e-mail como spam ou não spam.
- Classificar um tumor como benigno ou maligno.
- Algoritmos:
- Regressão logística.
- K-Nearest Neighbors (KNN).
- Árvores de decisão.
Resumo das Diferenças:
| Característica | Regressão | Classificação |
|---|---|---|
| Tipo de variável a ser prevista | Numérica contínua | Categórica discreta |
| Exemplos | Prever preço de casa, temperatura | Classificar spam, tumor |
| Algoritmos | Regressão linear, logística, árvores de regressão | Regressão logística, KNN, árvores de decisão |
Métricas de Avaliação:
- Regressão:
- Erro quadrático médio (MSE).
- Coeficiente de determinação (R²).
- Classificação:
- Precisão.
- Reca