分类问题和回归问题区别与联系

已于 2025-04-16 13:59:34 修改
阅读量1.4w 收藏 1
点赞数
分类专栏： Python 数据分析师 文章标签： 回归 分类 机器学习
于 2022-02-03 16:38:54 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_20288327/article/details/122741214
版权
本文介绍了分类和回归预测建模的区别，包括它们的目标、评估方法和适用场景。分类是预测离散标签，而回归是预测连续数值。两者之间的转换有时是可能的，例如通过离散化或连续化处理。常见的评估指标分别是分类准确率和回归的均方根误差。了解这些概念对于有效应用和评估预测模型至关重要。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

在机器学习领域，分类和回归是两种最常见的预测建模任务，二者在应用上有着显著的区别。分类任务旨在预测离散标签，而回归任务则是预测连续的数值。

本文将详细阐述分类与回归问题的定义、评价指标及其在预测任务中的应用区别，帮助理解如何正确应用和评估分类与回归模型。

文章目录

函数逼近问题

预测建模 是一种使用历史数据建立模型的过程，旨在对未知数据进行预测。预测建模可以描述为逼近一个从输入变量（X）到输出变量（y）的映射函数（f），其目标是在有限的时间和资源内，找到最优的映射函数，以最大限度地准确预测输出。

在机器学习任务中，这一函数逼近问题可以分为两类：分类任务和回归任务。分类是将输入映射到离散类别，而回归是将输入映射到连续的数值。

分类预测建模

分类预测建模的任务是将输入变量（X）映射到离散的输出类别（y）。在分类任务中，输出变量通常被称为标签或类别。例如，垃圾邮件过滤是一个典型的分类任务，其目标是将电子邮件分类为“垃圾邮件”或“非垃圾邮件”。

分类问题的特点

在机器学习分类任务中

了解本专栏 订阅专栏 解锁全文 超级会员免费看
【分类|回归】深度学习中的分类和回归？离散数据or连续数值？
985小水博的摸鱼日常
09-21 1300
【分类|回归】深度学习中的分类和回归？离散数据or连续数值？学习笔记！
树模型与线性模型的区别 决策树分类和逻辑回归分类的区别 【总结】
Ximerr的博客
08-21 6737
树模型与线性模型的区别在于： （一）树模型 ①树模型产生可视化的分类规则，可以通过图表表达简单直观，逐个特征进行处理，更加接近人的决策方式 ②产生的模型可以抽取规则易于理解，即解释性比线性模型强。 ③树模型拟合出来的函数其实是分区间的阶梯函数。 ④在训练过程中，树模型需要计算特征属性的信息增益或信息增益率等度量，从而确定哪个属性对目标最有益，即有最强区分样本的能力。 ⑤一般特征空间复杂，无法用线性表达时使用树模型来解决问题。 （二）线性模型 ①线性模型是对所有...
分类问题和回归问题
Jeaten
12-30 1107
本文中涉及到的概念都是基于二分类问题 在了解精确率和召回率之前，我们先了解几个概念 TP(True Positive)：实际为正，预测为正 FN(False Negative)：实际 FP(False Positive) TN(True Negative) 精确率 召回率
AI-012: 练习：用逻辑回归解决分类问题，建模及求解
hanjingjava的专栏
10-24 716
逻辑回归的模型引入了比线性回归更复杂的函数， 引入逻辑函数使得建设函数的值在0到1之间； 引入log函数，使得成本函数是凸函数； 逻辑回归成本函数的梯度下降算法与线性回归成本函数的梯度下降算法格式一样，只是替换了假设函数。 问题：建立通信工程项目的工期、用料、施工面积与工程是否盈利的模型； 假设函数，y=1代表盈利，y=0代表亏损，假设函数是项目是否盈利的概率： 成本函数： 期...
数学建模简单回归问题
weixin_52252897的博客
05-12 653
建议新手看看 美国旧轿车价格的调查资料 使用年数x 1 2 3 4 5 6 7 8 9 10 平均价格y 2650 1942 1493 1086 766 539 485 291 224 202 表中是美国旧轿车价格调查资料，以表示轿车的使用年数，表示相应的平均价格，根据表中的数据建立一个数学模型，分析旧轿车平均价格与其使用年数之间的关系，即求关于的回归方程。 首先，我们要大概
分类问题和回归问题的基本概念
qq_51011530的博客
10-14 465
之间的关系是线性的，也就是可以用线性方程来表示。虽然线性回归看起来很简单，但它比预期更强大，是很多复杂非线性方法的基础。这些实际应用展示了回归问题如何在不同领域中被使用，且不仅限于简单的数值预测，还可以用于更复杂的任务。举个例子，猫狗识别问题中，目标可能是分类成“猫”或“狗”，也就是两个离散类别。：目标（即我们要预测的变量）是离散的，也就是可以从一个有限的类别集合中取值，比如。例如，预测房价或温度等问题中，目标变量是连续的。：目标是连续的，也就是说它可以取任意实数值（：线性回归是一种回归方法，它假设特征。
人工智能和机器学习之分类算法：逻辑回归与神经网络的联系与区别.docx
08-29
人工智能和机器学习之分类算法：逻辑回归与神经网络的联系与区别.docx
分类和回归的区别和联系
木东的博客
06-11 1万+
先简单的说下吧，下面给出实际例子 类和回归的区别在于输出变量的类型。 定量输出称为回归，或者说是连续变量预测； 定性输出称为分类，或者说是离散变量预测。 举个例子： 预测明天的气温是多少度，这是一个回归任务； 预测明天是阴、晴还是雨，就是一个分类任务。  拿支持向量机举个例子，分类问题和回归问题都要根据训练样本找到一个实值函数g(x)。 回归问题的要求是：给定一个新
机器学习与建模 - 聚类、分类、回归的区别
黄饱饱
09-14 1万+
一句话概括： 1. 聚类：无监督学习，学习结果将产生几个集合，集合中的元素彼此相似； 2. 分类：有监督学习，学习结果将产生几个函数，通过函数划分为几个集合，数据对象是离散值； 3. 回归：有监督学习，学习结果将产生几个函数，通过函数产生连续的结果，数据对象是连续值；   聚类 聚类算法是无监督学习的一种算法，也就是说，并没有一批已经打好标签的数据供机器训练模型。因此该算法用于在数据中...
适合离散值分类的多分类模型——softmax回归
laozaoxiaowanzi的博客
08-05 4202
适合离散值分类的多分类模型——softmax回归 一、什么是softmax回归？ 简单来说softmax回归是用来做多分类任务的模型，是一个单层神经网络。与线性回归模型针对连续值的预测（预测房屋价格、天气温度变化等）不同，它更适合离散值的训练和预测。由于该模型是为了识别多种类别，故最终的输出不再是单个值（像relu/sigmoid输入一个实数，输出一个实数）或者是二分类情景（只有两种标记0和1）的两个值，而是多个值（向量），但这些值并不是简单的 0~n-1的标记，而是经过运算后的类别概率。 在猫狗分.
【机器学习基础】分类任务 和 回归任务 的 区别与联系
__阿健__的博客
12-20 1万+
分类任务 和 回归任务 的区别在于 需要预测的值的类型： 回归任务，是对 连续值 进行预测（比如 多少）； 分类任务，是对 离散值 进行预测（比如 是不是，属不属于，或者 属于哪一类）。 打个比方， 预测 明天的气温是多少度，这是一个回归任务； 预测 明天会不会下雨，就是一个分类任务。
机器学习 --- 1. 线性回归与分类, 解决与区别
热门推荐
小小鸟小小
04-09 5万+
机器学习可以解决很多问题，其中最为重要的两个是 回归与分类。 这两个问题怎么解决， 它们之间又有什么区别呢？ 以下举几个简单的例子，以给大家一个概念 1. 线性回归 回归分析常用于分析两个变量X和Y 之间的关系。 比如 X＝房子大小 和 Y＝房价 之间的关系， X=(公园人流量，公园门票票价） 与 Y=(公园收入) 之间的关系等等。 那么你的数据点在图上可以这么看 现在你想找到 房
VB 使用总结
qq_40062513的博客
11-26 2017
VB参考 官方文档 调用方法 function 参数1,参数2..... 清除单元格内容不清除公式 Worksheets("Sheet1").Range("a2:I1000000").SpecialCells(2).ClearContents 读取数据库表数据到excel表中 Dim rs As New ADODB.Recordset '设置一个Recordset对象, 该对象用...
机器学习：回归预测连续与离散的深度剖析----看完完全理解了回归是什么东西了！
qq_35050438的博客
03-01 6450
回归的预测完整过程 前提： 1.线性回归与非线性回归概念 要解释线性回归和非线性回归首先我们要理解这两个词 (1):什么是回归(regression)？ 由于是外国人命名的，我们找其根源只能从英文单词开始入手，regression的词根有重复的意思 统计学家在很久以前对于一些混乱的，看似无规律的，复杂的家族之间身高的数据中，不断统计提取，发现了一些规律，父亲身高高的，孩子的身高趋于下降，父亲身高矮...
Softmax解决离散值回归问题（分类问题）[pytorch]
sunshine
02-13 2542
Softmax解决离散值回归问题（分类问题）[pytorch] 文章目录Softmax解决离散值回归问题（分类问题）[pytorch]一、理论知识二、代码实现（基于Fashion-MNIST数据集）1、加载显示数据集2、softmax从零开始的实现3、softmax的简单实现（把一些模块进行了封装） 一、理论知识 1、线性回归与softmax回归的区别： 线性回归：一对一 softmax回归：一...
分类问题回归建模思路
weixin_43630413的博客
12-12 854
分类问题回归建模思路 定义问题 比如一个淘宝书店卖不同类型的书籍，统计表book中每种书都有对应的ID号，对应总销量和书的类型（可能同时属于好几种不同类型，比如某本书可能同时属于励志书，又属于个人成长类书），店家想看书的总销量和书的类型的关系。这时就用到了分类问题回归建模。 做法 首先得提炼出表中一共有多少种类型的书（不重复），然后针对每种类型的书都新建一列，比如心理健康类，每一行对应ID的书如果...
机器学习预备知识：分类与回归
mcu旺仔acm的博客
10-08 1395
分类预测建模 分类预测建模是将输入变量（X）到离散输出变量（y）的映射函数（f）近似的任务。 输出变量通常称为标签或类别。映射函数预测给定观察的类别或类别。 例如，可以将文本电子邮件分类为属于两个类别之一：“垃圾邮件”和“非垃圾邮件”。 分类问题要求将示例分为两个或更多个类中的一个。 分类可以具有实值或离散输入变量。 两个类的问题通常被称为两类或二元分类问题。 两个以上类的问题通常被称为多类分类问题。 为示例分配多个类的问题称为多标签分类问题。 分类模型通常将连续值预测为属于每个输出类的..
分类和回归问题
PETERPARKERRR的博客
12-03 4808
前言 最近在复习一些深度学习和机器学习的基础知识，看到分类和回归，这里记录一下。 一、回归 首先，回归应用的场景是用来输出一系列连续的值，然后用于预测等任务。回归的目的是为了找到最优拟合的曲线，这个曲线可以最好的接近数据集中的各个点。回归是对真实值的一种逼近预测，值不确定，当预测值与真实值相近时，误差较小时，认为这是一个好的回归。回归分析用在神经网络上，其最上层是不需要加上softmax函数的，而是直接对前一层累加即可。 1.线性回归 一般先采用线性回归方法得到最佳拟合直线，当出现欠拟合时，可采用局部加权线
MATLAB实战：机器学习分类回归示例
最新发布
2302_81112251的博客
05-31 971
以下是一个使用MATLAB的Statistics and Machine Learning Toolbox实现分类和回归任务的完整示例代码。代码包含鸢尾花分类、手写数字分类和汽车数据回归任务，并评估模型性能。%% 加载内置数据集% 鸢尾花数据集（分类）% 150x4 特征矩阵% 150x1 类别标签% 手写数字数据集（分类）% 提取HOG特征% HOG特征维度end% 汽车数据集（回归）% 100x3 特征矩阵。
回归与分类的联系和区别是什么
06-08
回归和分类都是机器学习中的常见任务。它们的联系在于它们都是从输入数据中预测输出结果的过程。区别在于回归任务的输出是连续的数值或者实数，而分类任务的输出是离散的类别或标签。 举例来说，我们可以使用回归来预测房屋价格，这是一个连续的数值。我们也可以使用分类来识别图像中的数字，输出结果是一个离散的标签，表示数字的类别。 在实际应用中，我们需要根据具体的问题来选择使用回归还是分类。同时，回归和分类也有一些相同的算法和技术，比如线性回归和逻辑回归。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Mr数据杨

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值