Math 在使用回归覆盖分类之前，可以接受多少标签

我在python中尝试使用监督学习时遇到了一个问题。我有一系列的x，y坐标，我知道它们属于一个数据集中的标签。在另一个例子中，我只有x，y坐标。我将使用一组来训练另一组，我的方法是监督学习，并使用分类算法（线性判别分析），因为标签的数量是离散的。虽然它们是离散的，但数量很大（n=~80000）。我的问题是，在多个标签上，我应该考虑回归分类，回归更适合于连续标签。我使用SciKit作为我的机器学习软件包，并使用astronml.orgs excellent作为指南。

这与数字无关。这是关于是否是连续的。如果你有80000门课甚至更多，这并不重要；只要相邻类之间没有相关性（例如类i和i+1），就应该使用分类（而不是回归）

只有当标签是连续的（例如，实数）或至少当相邻类之间存在相关性时（例如，当标签显示某个计数时，可以进行回归，然后对结果进行取整），回归才有意义