Вопрос проверяет понимание базовых типов задач машинного обучения: классификации и регрессии, их отличий и областей применения.
Классификация и регрессия — два основных типа задач обучения с учителем. Главное отличие в типе предсказываемой переменной: классификация предсказывает дискретную категорию (класс), а регрессия — непрерывное числовое значение.
Задача классификации заключается в отнесении объекта к одному из заранее известных классов. Например, определение, является ли письмо спамом (классы: 'спам' или 'не спам'), или распознавание рукописной цифры (классы от 0 до 9).
# Пример: классификация с помощью логистической регрессии
from sklearn.linear_model import LogisticRegression
from sklearn.datasets import load_iris
iris = load_iris()
X, y = iris.data, iris.target
model = LogisticRegression(max_iter=200)
model.fit(X, y)
prediction = model.predict([[5.1, 3.5, 1.4, 0.2]])
print(prediction) # Выведет класс (0, 1 или 2)Регрессия предсказывает непрерывное значение. Например, прогнозирование цены квартиры на основе её площади, количества комнат и расположения, или предсказание температуры воздуха.
# Пример: линейная регрессия
from sklearn.linear_model import LinearRegression
import numpy as np
X = np.array([[1], [2], [3], [4], [5]])
y = np.array([2, 4, 6, 8, 10])
model = LinearRegression()
model.fit(X, y)
prediction = model.predict([[6]])
print(prediction) # Выведет 12.0Выбор между классификацией и регрессией определяется характером целевой переменной. Если нужно отнести объект к категории — используйте классификацию. Если нужно предсказать число — регрессию.
Вывод: Понимание различий между классификацией и регрессией необходимо для правильного выбора модели машинного обучения в зависимости от типа решаемой задачи.
