这篇博客探讨了机器学习中的两种基本任务——分类和回归。分类关注于将输入数据分配到预定义的类别中，输出是离散的；而回归则涉及预测数值结果，输出是连续的。分类旨在找到决策边界，而回归追求最佳拟合线。分类结果是确定的，回归则是对真实值的逼近。在应用上，分类常用于决策，回归用于预测。在神经网络中，分类常与softmax函数结合，而回归则直接输出前一层的累加结果。
最近正在研究YOLO，论文中提到YOLO检测变成一个回归问题，那么什么是回归 ？
感谢前辈@水亦心的讲解，通透！！！
分类、回归
对输入的目标，判断他的类别，输出其预测值
二者区别
输出不同：
1、分类问题输出的是类别；回归问题输出的是预测值
2、分类值是离散的，回归值实现连续的。
3、分类问题输出定性值，回归问题输出值是定量。
目的不同：
分类的目的是为了寻找决策边界，即分类算法得到是一个决策面，用于对数据集中的数据进行分类。
回归的目的是为了找到最优拟合，通过回归算法得到是一个最优拟合线，这个线条可以最好的接近数据集中的各个点。
结果不同：
分类的结果没有逼近，对就是对，错就是错，什么类别就是什么类别，最终结果只有一个。
回归是对真实值的一种逼近预测，值不确定，当预测值与真实值相近时，误差较小时，认为这是一个好的回归。
应用
分类问题应用非常广泛。通常是建立在回归之上，分类的最后一层通常要使用softmax函数进行判断其所属类别。分类并没有逼近的概念，最终正确结果只有一个，错误的就是错误的，不会有相近的概念。
回归问题通常是用来预测一个值。另外，回归分析用在神经网络上，其最上层是不需要加上softmax函数的，而是直接对前一层累加即可。
698
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
