Machine learning k-最近邻分类和回归的区别？

在分类中使用K-最近邻和在回归中使用K-最近邻有什么区别

---

在推荐系统中使用KNN时。它与分类或回归有关吗？

在分类任务中，用户试图预测一个

类别，该类别通常表示为一个整数标签，但表示一个“事物”类别。例如，您可以尝试将图片分类为“猫”和“狗”，并使用标签0表示“猫”，1表示“狗”

用于分类的KNN算法将查看您试图对其进行预测的输入的k个最近邻。然后，它将输出这些k个示例中最频繁的标签

在回归任务中，用户希望输出一个数值（通常是连续的）。例如，它可能是估计一栋房子的价格，或者对一部电影的质量进行评估

在这种情况下，KNN算法将从要进行预测的示例中收集与k个最接近示例相关联的值，并将其聚合以输出单个值。通常，您会选择邻居k值的平均值，但您可以选择中值或加权平均值（或对您手头的任务有意义的任何东西）

对于您的具体问题，您可以同时使用这两种方法，但回归对我来说更有意义，可以预测某种“匹配百分比”“在用户和您想推荐给他的东西之间。
我投票结束这个问题，因为它不是关于中定义的编程，而是关于ML理论和方法-请参阅机器学习中的介绍和说明。