Сводка
Мы завершили наше введение в классификацию, поэтому рассмотрим некоторые ключевые моменты.
Мы видели, что классификация имеет много общего с классической регрессией. Для обоих мы можем использовать защищенное обучение, функцию затрат и использовать тестовые и обучающие наборы данных для оценки реальной производительности. Мы сосредоточились здесь на логистической регрессии, которая почти гибридная между этими двумя типами модели, и показали, как пороговое значение выходных данных дает нам категориальную метку, как avalanche/no-avalanche.
Мы обсудили, как оценка моделей классификации может быть немного сложнее, чем при использовании моделей регрессии, особенно из-за того, что связанные с затратами функции часто являются неумышленными.
Мы также изучили, как добавление и объединение функций может привести к существенному улучшению модели. Важно, что мы показали, как на самом деле размышление о том, что означают ваши данные, является ключом к достижению наилучшего результата.
В этом модуле мы работали с логистической регрессией. Но помните, что большинство предметов, которые мы рассмотрели здесь, также применяются ко многим другим типам моделей классификации. Включая модели, которые пытаются предсказать более двух возможных категорий.