Регрессия: -
Регрессия находит связь между независимой переменной и зависимой переменной. Переменная результата в линейной регрессии является числовым значением, переменная результата в логистической регрессии является категориальным значением. Мы подбираем лучшую прямую, чтобы получить минимальную ошибку.
В регрессии данные можно классифицировать с помощью прямой линии, и то же самое следует для логистической регрессии. Но иногда бывает трудно классифицировать, если данные разбросаны, как показано ниже.
Здесь, по первым двум рисункам, мы можем сказать, что регрессия может быть использована для их классификации, а также прямая линия может разделить их пополам. Принимая во внимание, что на третьем рисунке мы не можем разделить точки данных, поскольку они разбросаны. Так вот как появились нейронные сети.
Нейронные сети:-
Нейронные сети используются, когда данные разбросаны и не могут быть разделены пополам прямой линией, где используются круги и эллипсы для объединения общих данных. По сути, типичная нейронная сеть выглядит так…….
Он состоит в основном из входного слоя, скрытого слоя и выходного слоя. Эффективность нейронной сети выше, когда увеличивается количество скрытых слоев. Как и в нашем человеческом мозге, в нейронных сетях также будут нейроны, также известные как персептрон. В нейронной сети для получения результата выполняется множество задач регрессии. Результатом может быть любое числовое значение или категориальное значение.
Примеры: - Чтобы предсказать собаку или кошку по изображению. Рассчитать стоимость полета.
Если у нас есть больше скрытых слоев в нейронной сети, то это называется Глубокое обучение.
