Regression和Classification的区别

前言

由于之前对于Regression(回归)和Classification(分类)认识并不准确，混淆了很长时间，那么现在就稍微总结一下。

Regression

回归，类比于数学中的回归直线，它在神经网络中作为输出往往是通过前者的运算而得出一个确定的值/向量。这个值/向量依赖于输入数据的整体分布，最终给出一个或因周期，或因总体趋势，或因偶然因素影响的一个“回归值”。这个值最终将作为估计值来预测下一个时刻的状态。

举例

对于回归来说，它在生活中运用很多，比如已知几个房子的大小与房价，预测某一大小的房子有多贵。

这是一个典型的回归问题，我们可以选择很多函数去拟合这些数据点，它们有的准确有的偏差较大。因此，我们在构建模型时要注意它的误差估计，让它来自调整模型参数，最终输出一个拟合较好的值。我们可以发现，无论如何，它都是对过去趋势或者周期的一种模仿。

Classification

分类，是一种离散的状态判断。比如明天或晴或阴，是否下雨，这都是一个有确定数量的离散的问题。这都属于分类。分类往往是一种定性的选择，它通过学习每个状与其输入的表征或深层的特征关系来估计某一规律。并在最终，将通过Softmax将其热编码，使其在分类时特征更鲜明，结果更稀疏。

举例

二分类问题是分类中一个较简单的一类。

很显然，对于分类问题，它的函数是阶跃的即不具有中间态，而是离散的。它的输出只有确定几个。而将其对应于某一个或一些区间上所有输入。

总结

如上图，分类更倾向于寻找到某一个尺度作为两类的分界点。比如当发现长脖子就更倾向于认定其为长颈鹿等等。而回归则更倾向于学习过往的规律与趋势，对未来某一连续数据区间进行拟合。