在資料探勘、人工智慧等領域中存在兩個：分類和回歸。單說分類很容易理解，但想到回歸就容易分不清晰，那麼這兩者到底有什麼區別和聯絡呢？下面簡單介紹下我的理解。
其實回歸問題和分類問題的本質一樣，都是針對乙個輸入做出乙個輸出**，其區別在於輸出變數的型別。
分類問題是指，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），是一種定性輸出，也叫離散變數**；
許多的機器學習方法可以用來解決分類問題，包括kk
近鄰法、感知機、樸素貝葉斯法、決策樹、邏輯斯諦回歸模型、svm、adaboost、貝葉斯網路、神經網路等
回歸問題是指，給定乙個新的模式，根據訓練集推斷它所對應的輸出值（實數）是多少，是一種定量輸出，也叫連續變數**。
舉個例子：**明天的氣溫是多少度，這是乙個回歸任務；**明天是陰、晴還是雨，就是乙個分類任務
標註問題也是乙個監督學習問題。可以認為標記問題是分類問題的乙個推廣。
標註問題的輸入是乙個觀測序列，輸出的是乙個標記序列或狀態序列。也就是說，分類問題的輸出是乙個值，而標註問題輸出是乙個向量，向量的每個值屬於一種標記型別。
標註常用的機器學習方法有：隱性馬爾可夫模型、條件隨機場。
自然語言處理中的詞性標註（part of speech tagging）就是乙個典型的標註問題：給定乙個由單詞組成的句子，對這個句子中的每乙個單詞進行詞性標註，即對乙個單詞序列**其對應的詞性標記序列。
機器學習 分類與回歸
連續變數 定性輸出稱為分類，或者說是 離散變數 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s...
機器學習 K NN分類 回歸
k近鄰 從字面上理解，就是 近朱者赤，近墨者黑。和誰離得近和誰歸為一類。1 演算法原理 1 計算測試資料與各個訓練資料之間的距離，方法 閔可夫斯基距離 2 按照距離的遞增順序排序 3 選取距離最小的k個點 4 確定前k個點所在類別的出現頻率 即為各個類別出現次數 5 返回前k個點所在類別的出現頻率，...
回歸，分類，頭疼，機器學習
回歸，指研究一組隨機變數 y1 y2 yi 和另一組 x1，x2，xk 變數之間關係的統計分析方法，回歸通常是對真實關係的一種逼近 一般決定係數r平方來評估模型的好壞 拿最簡單的二分類，非此即彼，也就是給事物打上乙個標籤，是就是，不是就不是，沒有近似的概念 正規方程 損失函式 協方差今天第一天啊，啥...