まとめ
分類の概要は完了したので、いくつかの重要なポイントをまとめてみましょう。
分類には従来の回帰と多くの共通点があることがわかりました。 どちらの場合も、教師あり学習、コスト関数を使い、テスト データセットとトレーニング データセットを使って実際のパフォーマンスを推定できます。 ここでは、これら 2 種類のモデルのほぼハイブリッドであるロジスティック回帰に焦点を当て、出力をしきい値処理することで、avalanche/no-avalanche のようなカテゴリ ラベルがどのように得られるかを示しました。
分類モデルの評価が回帰モデルよりどのように少し難しいかを説明しました。特に、関連するコスト関数が直感的ではないことが多いためでした。
また、特徴を追加および組み合わせることによって、モデルがどのように大きく改善されるのかも見ました。 重要なこととして、データの意味を実際に考えることが最適な結果を得る鍵となることを示しました。
このモジュールでは、ロジスティック回帰を扱いました。 ただし、ここで取り上げたテーマのほとんどは、他のさまざまな種類の分類モデルにも当てはまることに留意してください。 3 つ以上の可能なカテゴリを予測するモデルも含まれます。