1樓：Nii
我覺得」回歸問題「這個提法就有問題，回歸是一種方法，不是問題，分類和擬合才是問題，而回歸方法既能用於分類問題，也能用於擬合問題。所以為什麼要比較乙個方法和乙個問題的區別呢？好像沒什麼可比性
2樓：小蝴蝶
資料只分為是連續和不連續的，不連續的叫離散。
那麼 f(x) = y, x 和 y 都是資料 ，就共有四種可能
那只按y分類的話就有兩種 y是離散的叫分類，y是連續的叫回歸其實這沒什麼好糾結的，這都不重要
3樓：Janlee
顧名思義，分類就是多實物進行預估好類別，是左邊還是右邊，是對的還是錯的，是好的還是壞的。
回歸，則是預估乙個具體值，預估某個人的年齡，預估某場比賽的得分。
這是比較簡單的理解，更深入的理解則需要結合更深入的知識攝取和應用。
4樓：「已登出」
吳恩達：
When the target variable that we』re trying to predict is continuous, such as in our housing example, we call the learning problem a regression problem. When y can take on only a small number of discrete values (such as if, given the living area, we wanted to predict if a dwelling is a house or an apartment, say), we call it a classification problem.
5樓：周智
從模型輸出看是回歸還是分類問題很簡單，可以參見其他回答。
最近在看CNN相關的東西，對於N分類的CNN而言，最後的輸出是乙個1*N的向量，經過softmax處理後，得到每個分類的概率，這個是分類問題（如果N為2，就是2分類了）。但是如果去掉softmax，在輸出層後面補充乙個單獨的節點，最後輸出的就是乙個具體數值了，那麼（如果按照輸出來劃分）這個就是回歸問題了。
6樓：始試
名詞理解：
分類：classification
（線性）回歸
Linear Regression
Logistic Regression
其中Logistic Regression是線性回歸中的離散化，相當於分類；但是分類不能解異或問題，線性回歸可以，所以Logistic Regression還是強於classification。
回歸：Regression，本意是回退，是從一堆黑壓壓的樣本點回退到明晰的線（或其它可解析表示式）。
7樓：chenkangustcc
目前學習得比較粗淺，我想回歸問題相當於多項式擬合，泰勒展開，這就要求原函式可以泰勒展開。分類問題是離散的，不連續的，無法用泰勒展開成多項式。
8樓：盛政
前面各位的說法都贊同，包括輸出的離散與連續等等觀點。這裡我想提的是乙個不太靠譜的觀點：分類和回歸從某種意義上又像是一種反義詞，比如從字面上理解分和歸，比如從圖上理解，分類是找一條線或者超平面去分開資料，而回歸則相反找一條線去盡可能的擬合逼近這些資料。
這應該是最直譯的。
9樓：Raynor
分類就是想辦法讓一堆資料站隊，找出最符合其自身特徵的群體。比如有群體y=x和y=-x，資料集(1,1) (-2,2) (3,-3) (-4,-4)... (n,n)，(1,1),(-4,-4)就符合群體y=x，(-2,2) (3,-3)就符合群體y=-x。
聽過線性回歸嗎？回歸的意思就是數學意義上的找出乙個函式，讓某些資料盡量符合這個函式的特徵，比如(1,1) (2,2) (3,3) ... (n,n)這些資料回歸後的結果就是函式 y = x。
當然實際情況是非常複雜的，其難度也是不言而喻。。
10樓：
拿支援向量機舉個例子，分類問題和回歸問題都要根據訓練樣本找到乙個實值函式g(x). 回歸問題的要求是：給定乙個新的模式，根據訓練集推斷它所對應的輸出y（實數）是多少。
也就是使用y=g(x)來推斷任一輸入x所對應的輸出值。分類問題是：給定乙個新的模式，根據訓練集推斷它所對應的類別（如：
+1，-1）。也就是使用y=sign(g(x))來推斷任一輸入x所對應的類別。綜上，回歸問題和分類問題的本質一樣，不同僅在於他們的輸出的取值範圍不同。
分類問題中，輸出只允許取兩個值；而在回歸問題中，輸出可取任意實數。
史觀的分類與區別是怎樣的？
哈哈欠為你違逆 20世紀初，明確主張進化史觀，提出 史界革命不起，則吾國遂不可救。悠悠萬事，唯此為大 的歷史學家是梁啟超。史界革命不起，則吾國遂不可救。悠悠萬事，唯此為大 出自梁啟超所寫的 新史學 李四 將人類社會的歷史作為整體來看待 由分散到整體 研究它的兩條主線 生產力的發展 世界各地區交往的發...
回歸和插值的區別是什麼
數籤籤 回歸和插值的目的都是擬合。回歸是從全域性出發，依賴經驗模型的設定，必須提前預設要擬合的曲線模型，力求滿足對整體樣本走勢的刻畫，比如多項式，logic等等。模型始終固定，而模型引數會隨著樣本點的變化而變動。但很多時候我們不可能知道滿足所有樣本點的精確理論模型，插值則是從區域性出發，利用一定的插...
DFT與DTFT區別是什麼？
DFT 離散傅利葉變換 DFS 離散傅利葉級數 DTFT 離散時間傅利葉變換 DFS是時域離散，頻域也離散，且頻域週期化DFT是時域離散，頻域離散，其頻域部分為DFS的主值區間DTFT是時域離散，頻域連續且週期延拓，也就是DTFT頻域是DFS頻域的連續化 金屬球 DFT是離散傅利葉變換。DTFT是離...