来自分类或回归算法模型

Question

我已经为机器学习创建了样本数据，只是为了检验分类和回归模型的工作原理。

我的示例数据有50行，其中包含Memory，CPU，Responsetime的列。我使用公式Responsetime生成了Memory*2 + CPU*0.7。

现在，当我使用此数据生成分类模型时，使用不同的算法，如 DecisionTree ， RandomForest ， SVM ， NaiveBayes < / em>， SGD ， LogisticRegression ，我从模型中获取kappa和相关系数（model.coef_），并在决策树，随机森林的情况下使用特征重要性

为Memory和CPU返回的系数值不在我用于生成响应时间值的公式附近。在这种情况下，我无法理解生成的模型是否适合用于预测。

对于回归，线性回归确实给出了与我的公式匹配的正确系数。

Answer 1

您给出了一个线性公式：(Memory*2 + CPU*0.7)和线性回归，一种学习B_j中y_i = B_0*1 + B_1*X_i_1 + ... + B_n*X_i_n值的方法，能够使用您期望的系数对其进行建模。这是因为线性回归模型的形式与方程的形式相匹配，因此直接匹配系数是有意义的。

对于您的分类算法，不仅方程的形式与您的线性方程不匹配，而且问题也不是真正的分类问题。您举了一个明显是回归问题的例子。