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。
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...
機器學習 分類和回歸
1.機器學習的主要任務 一是將例項資料劃分到合適的分類中，即分類問題。而是是回歸，它主要用於 數值型資料，典型的回歸例子 資料擬合曲線。2.監督學習和無監督學習 分類和回歸屬於監督學習，之所以稱之為監督學習，是因為這類演算法必須直到 什麼，即目標變數的分類資訊。對於無監督學習，此時資料沒有類別資訊，...