Quelle est la différence entre le classificateur SGD et le régresseur SGD en python?

Eh bien, c'est dans le nom. SGD Classifier est un modèle optimisé (entraîné) à l'aide de SGD (prenant le gradient de la perte de chaque échantillon à la fois et le modèle est mis à jour en cours de route) dans les problèmes de classification. Il peut représenter une variété de modèles de classification (SVM, régression logistique ...) qui est définie avec le paramètre loss . Par défaut, il représente SVM linéaire. SGD Regressor est un modèle optimisé (entraîné) à l'aide de SGD pour les tâches de régression. Il s'agit essentiellement d'un modèle linéaire qui est mis à jour en cours de route avec un taux d'apprentissage décroissant.

SGD {Stochastic Gradient Descent} est une méthode d'optimisation utilisée par des algorithmes ou des modèles d'apprentissage automatique pour optimiser la fonction de perte.

Dans la bibliothèque scikit-learn, ces modèles SGDClassifier et SGDRegressor , ce qui pourrait vous amener à penser que SGD est un classificateur et un régresseur.

Mais ce n'est pas le cas.

SGDClassifier code > - il s'agit d'un classificateur optimisé par SGD SGDRegressor - il s'agit d'un régresseur optimisé par SGD.

La descente de gradient stochastique {SGD} ne prend pas en charge le lot, il prend un seul exemple d'entraînement à la fois contrairement à {batch} Descente de gradient

Exemple d'utilisation de l'ajustement partiel de sklearn

from sklearn.linear_model import SGDClassifier
import random
clf2 = SGDClassifier(loss='log') # shuffle=True is useless here
shuffledRange = range(len(X))
n_iter = 5
for n in range(n_iter):
    random.shuffle(shuffledRange)
    shuffledX = [X[i] for i in shuffledRange]
    shuffledY = [Y[i] for i in shuffledRange]
    for batch in batches(range(len(shuffledX)), 10000):
        clf2.partial_fit(shuffledX[batch[0]:batch[-1]+1], shuffledY[batch[0]:batch[-1]+1], classes=numpy.unique(Y))

Le classificateur prédit à quelle classe appartiennent certaines données.

this picture with 99% of probability is a cat 

Le régresseur prédit généralement la probabilité à quelle classe il appartient

this picture is a cat (not a dog)