Чи потрібна класифікація чи регресія, щоб передбачити наявність у користувача певних функцій?

Під час вивчення методів обміну даними я зрозумів, що існує дві основні категорії:

• Методи прогнозування:

  • Класифікація
  • Регресія

• Описові методи:

  • Кластеризація
  • Правила асоціації

Оскільки я хочу передбачити доступність користувача (вихід) на основі розташування, активності, рівня акумулятора (вхід для тренувальної моделі), я думаю, що очевидно, що я б обрав "Методи прогнозування", але зараз я не можу вибрати класифікація та регресія. З того, що я зараз розумію, класифікація може вирішити мою проблему, оскільки вихідний "доступний" або "недоступний".

Чи може класифікація забезпечити мені ймовірність (або ймовірність) того, що користувач може бути доступним чи недоступним?

Так як у виході буде не просто 0 (не доступно) або 1 (для доступних), але це буде щось на кшталт:

• $80\%$ доступно
• $20\%$ недоступно

Чи можна вирішити цю проблему також за допомогою регресії?

Я розумію, що регресія використовується для безперервного виводу (не тільки 0 або 1 виходів), але чи не може виведення бути безперервним значенням доступності користувача (наприклад, вихід тобто користувач доступний, користувач неявно є недоступно).$80$$80\%$$20\%$

1. Так. Наприклад, популярна регрес softmax дає розподіл ймовірностей для кожного класу.
2. Так. Softmax - це регресія по набору дискретних класів.

Ми можемо використовувати регресію для класифікації, найпоширенішою стратегією є захоплення найбільш ймовірного класу для прогнозування.

Так, ви можете користуватися або класифікацією, або регресією відповідно до вашої вимоги,

Якщо ви хочете, щоб маркований вихід, як-от доступний чи недоступний, слід використовувати класифікацію.

Якщо ви хочете, щоб результат був у вигляді% доступності, тоді слід використовувати регресію.

Ви можете використовувати класифікацію наївних байєсів і обчислити задні ймовірності, використовуючи попередні переконання, або логістичну регресію можна використовувати при сигмоїдної функції.