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:
拓展： 上面的例子其實都是從 prediction 的角度舉例的，如果從training角度來看，分類模型和回歸模型的目標函式不同，分類常見的是 log loss, hinge loss, 而回歸是 square loss。
1.回歸問題的應用場景
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**。
2.分類問題的應用場景
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。
3.如何選擇模型
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。
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...
分類樹和回歸樹的區別
分類樹 以c4.5分類樹為例，c4.5分類樹在每次分枝時，是窮舉每乙個feature的每乙個閾值，找到使得按照feature 閾值，和feature 閾值分成的兩個分枝的熵最大的閾值 熵最大的概念可理解成盡可能每個分枝的男女比例都遠離1 1 按照該標準分枝得到兩個新節點，用同樣方法繼續分枝直到所有人...
回歸樹和分類樹的區別
分類樹 以c4.5分類樹為例，c4.5分類樹在每次分枝時，是窮舉每乙個feature的每乙個閾值，找到使得按照feature 閾值，和feature 閾值分成的兩個分枝的熵最大的閾值 熵最大的概念可理解成盡可能每個分枝的男女比例都遠離1 1 按照該標準分枝得到兩個新節點，用同樣方法繼續分枝直到所有人...