У регресії вхідні змінні завжди цілочисельні.

Класифікація більш обчислювально складна за регресію.

Регресію не можна реалізувати в бібліотеці scikit-learn.

У регресії результат може бути неперервним значенням, а в класифікації – категорією.

R2 (коефіцієнт детермінації)

Mean Absolute Error (MAE)

Mean Squared Error (MSE)

Accuracy (Точність)

У моделі, яка має лише одну вихідну змінну.

У використанні декількох видів кластерів замість одного.

У поєднанні лінійної та логістичної регресій.

У використанні кількох вхідних ознак для прогнозу.

Коли зв’язок між X та y явно нелінійний, і проста лінійна модель не дає задовільних результатів

Щоб уникнути розбиття на тренувальний і тестовий набори

Лише коли X містить понад 10 000 рядків

Тільки якщо вхідні дані цілочисельні

Метод опорних векторів

Метод Монте-Карло

Метод Найменших Квадратів

Метод Гаусса-Ньютона

Щоб розділити клас на підкласи

Для об’єднання кількох ознак у одну

Щоб мінімізувати збиткову функцію

Для перетворення одного значення категорії у числовий код

20% даних відкидаються з датасету

20% даних використовуються як тестова вибірка

80% даних – тестові, 20% – тренувальні

20% даних дублюються для перевірки

TP / (TP + FN)

(TP + TN) / (TP + FP + TN + FN)

2 * (Precision * Recall) / (Precision + Recall)

TP / (TP + FP)

Відношення хибнопозитивних випадків

Тільки позитивні випадки

Загальну якість класифікації

Лише якість класифікації негативних випадків

Він враховує як precision, так і recall

Він дає точне значення accuracy

Він оцінює якість негативного класу

Він не впливає на оцінку моделі