python中线性回归的标签可以是分类的吗_分类与回归区别是什么？

为什么那么多回答说分类与回归的区别就是离散和连续的区别？

根本不是这样子的啊！

这两者的区别完全不在于连续与否啊，而在于损失函数的形式不同啊！(后文详述)

-------------分割线----------------

前面的很多答案用到了不少生动的例子和理论，从多个角度深刻诠释了什么是分类问题，什么是回归问题，以及如何实现回归与分类任务，但大多数的回答仍没有提及这两者间的本质区别。

个人认为：

“回归与分类的根本区别在于输出空间是否为一个度量空间。”

我们不难看到，回归问题与分类问题本质上都是要建立映射关系：

而两者的区别则在于：对于回归问题，其输出空间B是一个度量空间，即所谓“定量”。也就是说，回归问题的输出空间定义了一个度量

去衡量输出值与真实值之间的“误差大小”。例如：预测一瓶700毫升的可乐的价格(真实价格为5元)为6元时，误差为1；预测其为7元时，误差为2。这两个预测结果是不一样的，是有度量定义来衡量这种“不一样”的。(于是有了均方误差这类误差函数)。

对于分类问题，其输出空间B不是度量空间，即所谓“定性”。也就是说，在分类问题中，只有分类“正确”与“错误”之分，至于错误时是将Class 5分到Class 6,还是Class 7，并没有区别，都是在error counter上+1。

而非很多回答所提到的“连续即回归，离散即分类”。

事实上，在实际操作中，我们确实常常将回归问题和分类问题互相转化(分类问题回归化：逻辑回归；回归问题分类化：年龄预测问题——>年龄段分类问题)，但这都是为了处理实际问题时的方便之举，背后损失的是数学上的严谨性。