**
本文主要介紹了回歸問題與分類問題的不同應用場景以及它們訓練演算法的不同之處
回歸問題通常是用來**乙個值，如**房價、未來的天氣情況等等，例如乙個產品的實際**為500元，通過回歸分析**值為499元，我們認為這是乙個比較好的回歸分析。乙個比較常見的回歸演算法是線性回歸演算法（lr）。另外，回歸分析用在神經網路上，其最上層是不需要加上softmax函式的，而是直接對前一層累加即可。回歸是對真實值的一種逼近**
分類問題是用於將事物打上乙個標籤，通常結果為離散值。例如判斷一幅上的動物是乙隻貓還是乙隻狗，分類通常是建立在回歸之上，分類的最後一層通常要使用softmax函式進行判斷其所屬類別。分類並沒有逼近的概念，最終正確結果只有乙個，錯誤的就是錯誤的，不會有相近的概念。最常見的分類方法是邏輯回歸，或者叫邏輯分類
下面一幅圖可以告訴實際應用中我們如何選擇合適的模型。
分類模型和回歸模型
分類 概念 對於分類問題，監督學習從資料中學習乙個分類模型或者分類決策函式，稱為分類器。分類器對新的輸入 其屬於哪一類別，稱為分類。優化過程 找到最優決策面 輸出 離散值，如0 1，yes no 評價指標 一般是精確率，即給定測試資料集，分類器能正確分類的樣本數佔總樣本數的比。模型損失函式 交叉熵損...
回歸和分類的區別
分類模型和回歸模型本質一樣，分類模型是將回歸模型的輸出離散化。舉幾個例子 1.logistic regression 和 linear regression 2.support vector regression 和 support vector machine 3.神經網路用於 分類 和 回歸 拓...
線性回歸和logistic分類回歸的區別
回歸問題和分類問題是深度學習裡面需要分清楚的兩種情況，需要根據不同的情況制定不同的演算法，完成不同的任務。兩者最本質的區別是回歸問題代表連續的擬合曲線 值，而分類問題則是將輸入的幾個值分為幾個離散的類。例如 線性回歸處理的是回歸問題 e xp ect y w x bexpect y wx b exp...