Czy potrzebuję klasyfikacji lub regresji, aby przewidzieć dostępność użytkownika na podstawie niektórych funkcji?

Studiując metody eksploracji danych, zrozumiałem, że istnieją dwie główne kategorie:

• Metody predykcyjne:

  • Klasyfikacja
  • Regresja

• Metody opisowe:

  • Grupowanie
  • Zasady stowarzyszenia

Ponieważ chcę przewidzieć dostępność użytkownika (wydajność) na podstawie lokalizacji, aktywności, poziomu naładowania baterii (dane wejściowe dla modelu treningowego), myślę, że to oczywiste, że wybrałbym „metody predykcyjne”, ale teraz nie mogę wybierać między klasyfikacja i regresja. Z tego, co rozumiem do tej pory, klasyfikacja może rozwiązać mój problem, ponieważ dane wyjściowe są „dostępne” lub „niedostępne”.

Czy klasyfikacja może zapewnić prawdopodobieństwo (lub prawdopodobieństwo), że użytkownik będzie dostępny lub niedostępny?

Ponieważ na wyjściu nie będzie tylko 0 (niedostępne) lub 1 (dostępne), ale będzie to coś w stylu:

• $80\%$ dostępny
• $20\%$ niedostępne

Czy ten problem można rozwiązać również za pomocą regresji?

Rozumiem, że regresja jest używana dla ciągłego wyjścia (nie tylko 0 lub 1 wyjść), ale nie może być ciągłą wartością dostępności użytkownika (tak jak wyjście jest $80$ co oznacza, że ​​użytkownik jest $80\%$ dostępne, domyślnie użytkownik jest $20\%$ niedostępne).

1. Tak. Na przykład popularna regresja softmax daje rozkład prawdopodobieństwa dla każdej klasy.
2. Tak. Softmax jest regresją w stosunku do zestawu klas dyskretnych.

Do klasyfikacji możemy użyć regresji, najczęstszą strategią jest wyłapanie najbardziej prawdopodobnej klasy do przewidywania.

Tak, możesz użyć klasyfikacji lub regresji zgodnie z wymaganiami wyjściowymi,

Jeśli chcesz otrzymać wyjście z etykietą, takie jak dostępne lub niedostępne, należy zastosować klasyfikację.

Jeśli chcesz uzyskać wynik w postaci% dostępności, należy użyć regresji.

Możesz zastosować naiwną klasyfikację Bayesa i obliczyć prawdopodobieństwa tylne przy użyciu wcześniejszych przekonań lub regresji logistycznej można użyć z funkcją sigmoidalną.