Machine learning 将数字目标转换为二进制有帮助吗？
我试图解决一个ML问题，目标变量是数字，比如说城市的污染水平。但客户对预测污染物的实际数量不感兴趣，他们只想根据商定的阈值了解污染水平是高还是低。（如果PM2.5水平高于200，则为高，否则为低）Machine learning 将数字目标转换为二进制有帮助吗？,machine-learning,Machine Learning,我试图解决一个ML问题，目标变量是数字，比如说城市的污染水平。但客户对预测污染物的实际数量不感兴趣，他们只想根据商定的阈值了解污染水平是高还是低。（如果PM2.5水平高于200，则为高，否则为低） 我应该将其视为一个回归问题，并将数值PM2.5水平作为目标，还是将其视为一个分类问题，在该问题中，我根据阈值确定高/低污染水平的另一个特征，并使用该二元变量作为目标？这两种方法的优缺点是什么？如果有的话，会对准确性产生什么影响？如果您的客户对了解实际值不感兴趣，我建议使用分类模型 使用该方法将目标变量
我应该将其视为一个回归问题，并将数值PM2.5水平作为目标，还是将其视为一个分类问题，在该问题中，我根据阈值确定高/低污染水平的另一个特征，并使用该二元变量作为目标？这两种方法的优缺点是什么？如果有的话，会对准确性产生什么影响？如果您的客户对了解实际值不感兴趣，我建议使用分类模型 使用该方法将目标变量转换为二进制值，并遵循分类路径
由于模型更多地关注分类边界，而回归模型可能倾向于尝试正确预测异常值/噪声数据点，因此分类将有更高的准确率 这个问题与编程无关，应该发布在Stack exchange（）的数据科学网站上