深度学习原理30——分类与回归的区别

学过机器学习的人都听过两个概念：分类与回归，特别的，在YOLO v1中，作者也提到了

YOLO之前的物体检测方法通常都转变为了一个分类问题，如 R-CNN、Fast R-CNN 等等。而YOLO将检测变为一个 回归问题。

那么这两个概念有什么联系，有什么区别呢？

写这篇博客，参考过很多人的简介，不同的人给的回复也不同， 在这里，我把他们汇总一下。

重点来啦重点来啦！！！

1、分类与回归是干嘛的？

不管是分类，还是回归，其本质是一样的，都是对输入做出预测，并且都是监督学习。说白了，就是根据特征，分析输入的内容，判断它的类别，或者预测其值。

2、二者有什么区别

重要要研究的就是两者的区别

1.输出不同

1.分类问题输出的是物体所属的类别，回归问题输出的是物体的值。

例如，最近福州天气比较怪（阴晴不定，像极了女朋友的脾气），为了能够对明天穿衣服的量以及是否携带雨具做判断，我们就要根据已有天气情况做预测。

上图中的天气可以分为：晴、阴、雨 三类，我们只知道今天（2019年3月26日）及之前的天气，我们会预测明天及以后几天的天气情况，如明天阴，下周一晴，这就是分类；

每一天的天气温度，我们知道今天及以前几天的温度，我们就要通过之前的温度来预测现在往后的温度，每一个时刻，我们都能预测出一个温度值，得到这个值用的方法就是回归。

2.分类问题输出的值是离散的，回归问题输出的值是连续的

注：这个离散和连续不是纯数学意义上的离散和连续。

在数学上的连续是指，在某一个点处的极限值等于在这个点的函数值。很明显，回归问题不可能测得连续值。因为我们测得的两个值再接近，这两个值之间还是会存在实数域上的值，比如我们测得空气温度是11°和10.999°（现实情况中，测空气温度小数点后三位几乎没什么意义，在此只是作为例子来说明问题），在这两个值之间还有无穷多个值，比如：10.9999°，10.99999°等等。测得的值是有范围的，小数点多少位以后，值就测不到了。

那我们怎么去理解离散和连续呢？

我们可以这么理解：离散就是规定好有有限个类别，这些类别是离散的。连续就是理论上可以取某一范围内的任意值，比如现在28°，