Machine learning 机器学习中回归和分类的区别？

我是机器学习新手。有谁能告诉我机器学习中分类和回归的主要区别吗？

回归旨在预测连续的产值。例如，假设您正试图预测某个品牌的收入作为许多输入参数的函数。回归模型实际上是一个函数，可以根据某些输入输出任何潜在的收入数字。它甚至可以输出在您的培训集中从未出现过的收入数字

分类旨在预测输入对应的类别（离散整数或分类标签）。。e、 g.假设您已将销售额分为低销售额和高销售额，并且您正在尝试建立一个模型，该模型可以预测低销售额或高销售额（二元/两级分类）。输入甚至可能与以前相同，但输出可能不同。在分类的情况下，您的模型将输出“低”或“高”，理论上每个输入只会生成这两个响应中的一个

---

（这个答案适用于任何机器学习方法；我个人的经验是随机森林和决策树）。

我是机器学习领域的初学者，但据我所知，回归是“连续值”，分类是“离散值”。使用回归，连续值有一条直线，您可以看到您的模型是否适合。另一方面，您可以看到离散值如何通过分类“离散地”获得某种意义。如果我错了，请随时更正。

回归-输出变量采用连续值

例句：给定一个人的照片，我们必须根据这张照片预测他们的年龄

分类-输出变量采用类别标签

---

例如：对于一个患有肿瘤的患者，我们必须预测肿瘤是恶性还是良性。

在我的案例中，我有两个类别（0和1）。在分类中，它将给出0或1，但在回归中，它将给出0到1（0.00..1到0.99999…）之间的结果。“你是想这么说吗？”MohamedThasinah说，理想情况下，你的训练数据，如果与一个好的模型运行，将主要输出0和1。但是在实际数据上，你可以得到0.5作为一个输出，如果输入大致介于0和1之间。是的，我理解你的观点。分类总是给出离散值。但回归会返回连续的概率值。如果我错了，请评论我是的，你基本上是对的。选择回归还是分类取决于您的数据和问题。回归如何帮助我找到模型性能？当您使用回归（作为绘图的参数值）绘制数据时，您会看到数据的二次线、直线等。但我认为这不是问题所在，你可以在上面找到正确的答案。我想我让它变得困难了我怎么能看到二次曲线、直线等结果我对机器学习还不熟悉你能告诉我如何在程序（函数）中获得这些结果吗？我不知道你在学习中使用了什么资源，但我使用了Andrew Ng的课程，当我想看看我的模型是如何做的，首先，我向模型输入数据集，然后计算模型的误差，然后使用带有参数回归、误差、线选项等的绘图函数来绘制数据。因此，您可以看到您的模型是如何工作的。我也不知道你现在用的是哪一个短语，但我希望这能给你一个直觉或破坏者：）这不属于我们，所以，这不是关于编程，而是关于机器学习。这里有一个单独的stackexchange站点：另外，这里已经给出了答案：请在这里找到此问题的答案：-