Machine learning 我可以使用函数实现分类器吗？

我学习了不同的分类技术，如概率分类器等，并突然提出了这样一个问题：为什么我们不能实现一个二元分类器作为所有属性的回归函数，并根据函数的输出进行分类，比如说，如果输出小于某个值，它就属于a类，B班的其他同学。与概率方法相比，这种方法有什么限制吗？

你可以这样做，而且在实践中经常这样做，例如在。它甚至不限于二进制类。与概率方法相比，没有固有的局限性，尽管你应该记住，两者都是根本不同的方法，很难比较。

我认为你在分类上有一些误解。无论使用哪种分类器（svm或逻辑回归），都可以将输出模型视为 f（x）>b==>正 f（x）负

---

这适用于概率模型和非概率模型。事实上，这是与风险最小化相关的事情，风险最小化会自然产生截止分支。

是的，这是可能的。例如，a就是这样做的

然而，它的用途仅限于。但是，一般来说，它们的多重组合可以解决任意复杂的问题

---

另一种机器学习技术也以类似的方式工作。它首先将输入数据转换成一些高维空间，然后通过线性函数将其分离。

我在谷歌上搜索了一下，发现我说的可能是预测值与分类器的比较。那么你的意思是它们是相同的，预测因子是连续的，而分类器更多的是离散型的？不确定你的意思。在这个层次上，预测器和分类器之间实际上没有区别。的确，一些模型有一组离散的可能输出，而另一些模型可以预测连续值。对于分类，您将对后一种情况下的输出进行离散化，并最终得到基本相同的结果。