47. 在監督式學習中，下列哪一項是迴歸模型與分類模型的主要 區別方式？
(A) 迴歸模型用於預測數值型目標變數，而分類模型用 於預測類別型目標變數
(B) 分類模型無法處理數據中的遺缺值，迴歸模型可以
(C) 迴歸模型只能用於時間序列數據，分類模型則不受 限制
(D) 分類模型的計算速度通常比迴歸模型快

答案：登入後查看
統計： A(18), B(2), C(0), D(2), E(0) #3323477

詳解 (共 1 筆)

#6329854

監督式學習（Supervised Learning）：迴歸 vs. 分類

監督式學習主要分為：

  1. 迴歸（Regression）
    • 用於預測連續數值（Continuous Values），如房價、氣溫、收入等。
    • 常見演算法：線性迴歸（Linear Regression）、決策樹迴歸（Decision Tree Regression）、隨機森林迴歸（Random Forest Regression）。
  2. 分類（Classification）
    • 用於預測類別型變數（Categorical Values），如疾病診斷（健康/生病）、垃圾郵件（是/否）、天氣（晴天/雨天）。
    • 常見演算法：邏輯迴歸（Logistic Regression）、決策樹分類（Decision Tree Classification）、支援向量機（SVM）、隨機森林分類（Random Forest Classification）。

分析選項

  • (A) 迴歸模型用於預測數值型目標變數，而分類模型用於預測類別型目標變數

    • ✅ 正確，這是區分迴歸和分類的主要方式：
      • 迴歸模型 → 數值型變數
      • 分類模型 → 類別型變數

  • (B) 分類模型無法處理數據中的遺缺值，迴歸模型可以

    • ❌ 錯誤，兩者都可以處理遺缺值，方法包括：
      • 均值/中位數填補（Imputation）
      • 插補法（Interpolation）
      • 模型預測遺缺值

  • (C) 迴歸模型只能用於時間序列數據，分類模型則不受限制

    • ❌ 錯誤，迴歸模型並不限於時間序列數據，可以用於任何連續數據的預測，例如房價、股價、銷售量等。

  • (D) 分類模型的計算速度通常比迴歸模型快

    • ❌ 錯誤，計算速度取決於模型的複雜度，而不是分類或迴歸。例如：
      • 簡單的線性迴歸（Linear Regression） 通常比隨機森林分類（Random Forest Classification） 快。
      • 高維度數據下，某些分類模型（如 SVM）可能比簡單的迴歸模型慢。

正確答案：

✅ (A) 迴歸模型用於預測數值型目標變數，而分類模型用於預測類別型目標變數

0
0