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。
一般來說，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。回歸是對真實值的一種逼近**。
簡言之：
定量輸出稱為回歸，或者說是連續變數**，**明天的氣溫是多少度，這是乙個回歸任務
定性輸出稱為分類，或者說是離散變數**，**明天是陰、晴還是雨，就是乙個分類任務
knn演算法不僅可以用於分類，還可以用於回歸。通過找出乙個樣本的k個最近鄰居，將這些鄰居的某個（些）屬性的平均值賦給該樣本，就可以得到該樣本對應屬性的值。
CART分類和回歸樹
cart演算法根據類標號屬性的型別，當類標號屬性是連續型時，生成的模型是回歸樹 離散型則是分類樹。不同於id3演算法可以產生多個分支，cart每次 只能產生兩個分支，所以cart產生的決策樹是一棵二叉樹。雜度 不純度 gini t 1 各類數量在資料集中的概率 的平方和。標準問題集 所有候選分支方案...
分類模型和回歸模型
分類 概念 對於分類問題，監督學習從資料中學習乙個分類模型或者分類決策函式，稱為分類器。分類器對新的輸入 其屬於哪一類別，稱為分類。優化過程 找到最優決策面 輸出 離散值，如0 1，yes no 評價指標 一般是精確率，即給定測試資料集，分類器能正確分類的樣本數佔總樣本數的比。模型損失函式 交叉熵損...
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，...