Machine learning 分类和预测有什么区别？

机器学习中分类和预测的区别是什么？

功能

---

• 分类是关于为数据集中的元素确定（分类）类（或标签）

• 预测是关于预测数据集的缺失/未知元素（连续值）

工作策略

• 在分类中，数据根据训练数据集分组

• 在预测中，建立分类/回归模型来预测结果（连续值）

例子

---

在医院中，基于病历或治疗结果的患者分组被视为分类，而如果使用分类模型预测新患者的治疗结果，它被认为是一种预测。

分类是基于训练示例对预定义词汇表中的分类变量进行的预测

对数值（连续）变量的预测称为回归

---

总之，分类是一种预测，但也有其他预测。因此，预测是一个更普遍的问题。

预测既可以使用回归模型，也可以使用分类模型。这意味着，一旦模型在训练数据上进行了训练；下一阶段是对真实/地面真值未知或保留在一旁的数据进行预测，以评估模型的性能。如果问题的本质是确定分类中的类/标签/类别，如果问题是确定实数（数字）值，则其回归。简言之，预测应该通过测试数据集的分类和回归来完成

分类是识别其所属新观测的类别或类别标签的过程。 预测是为新观测确定缺失或不可用数值数据的过程。

---

这就是分类和预测之间的关键区别。预测与分类中的类标签无关。

1.预测就像是说未来可能发生的事情。预测可能是一种分类

2.预测主要基于我们未来的假设

鉴于

1.分类是对我们已经拥有的事物或数据进行分类。这种分类可以基于任何一种技术或算法

---

2.分类主要基于我们当前或过去的假设

参见：和。就连我也有相当长一段时间对此表示怀疑。所以在更广泛的意义上，分类，回归都是不同类型的预测，对吗？