一张图讲明白啥是分类与回归

拿出你自己的手机，打开天气。

回归与分类的区别

1. 分类问题输出的是物体所属的类别，回归问题输出的是物体的值。
2. 分类问题输出的值是离散的，回归问题输出的值是连续的

---

回归算法和分类算法是机器学习中两种常见的任务类型，它们具有不同的应用场景和目标。下面是回归算法和分类算法的辨析：

1. 目标：

   • 回归算法的目标是预测连续型变量的值。回归问题关注的是建立一个函数模型，通过输入特征来预测输出值。
   • 分类算法的目标是将输入数据划分到预定义的类别中。分类问题关注的是建立一个决策边界，通过输入特征来判断数据属于哪个类别。

2. 输出：

   • 回归算法的输出是一个连续值或者一个数字。
   • 分类算法的输出是样本所属的类别，通常是一系列离散的类别标签。

3. 模型选择：

   • 回归算法常用的模型包括线性回归、岭回归、决策树回归、支持向量回归等。
   • 分类算法常用的模型包括逻辑回归、决策树分类、支持向量机、朴素贝叶斯、深度学习模型等。

4. 评估指标：

   • 回归算法的评估指标通常包括均方误差（Mean Squared Error, MSE）、平均绝对误差（Mean Absolute Error, MAE）、决定系数（Coefficient of Determination, R^2）等。
   • 分类算法的评估指标通常包括准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1值等。

需要注意的是，有时候分类问题也可以看作是一种回归问题，例如将类别标签编码为数值进行预测。而在某些情况下，回归问题也可以被转换为分类问题，通过将连续值划分为不同的类别来进行预测。