线性回归分类器和线性回归提取机密区间有什么区别？

Question

我是机器学习的初学者。我想使用时间序列线性回归来提取数据集的机密区间。我不需要使用线性回归作为分类器。首先这两种情况有什么区别？其次在python中，有没有不同的实现方式？

Answer 1

主要区别在于分类器将计算关于标签的概率。回归将计算定量输出。通常，分类器用于计算标签的概率，而回归通常用于计算数量。例如，如果您想根据某些标准计算公寓的价格，您将使用回归，如果您想根据某些标准计算关于同一公寓的标签（豪华、适中等），您将使用分类器。但是使用回归来计算阈值来分离观察到的标签也是一种经常使用的技术。这就是线性 SVM 的情况，它计算标签之间的边界。它被称为决策边界。警告，线性的主要缺点是线性：这意味着边界必须是一条直线来分隔标签。有时它足够好，有时则不够。逻辑回归是一个例外，因为它实际上计算概率。它的名字具有误导性。

对于回归，当您想要计算定量输出时，您可以使用置信区间来了解误差。在分类中没有置信区间，即使您使用线性 SVM，也是没有意义的。您可以使用决策函数，但在现实中很难解释，或者使用预测概率并检查标签错误的次数并计算错误率。考虑到您的问题，有很多可用的比率，实际上它是整本书的主题。

无论如何，如果您正在计算时间序列，据我所知，您的目标是获得定量输出，那么您不需要像您所说的分类器。关于提取它完全取决于你用来在 python 中计算它的对象：这意味着它取决于所用对象的可用属性。然后也取决于图书馆。因此，如果您能指出您正在使用哪些库和对象，那么回答您会更好。