机器学习中的回归与分类

回归和分类算法都是监督学习算法。两种算法都用于机器学习中的预测，并与带标签的数据集一起工作。但两者之间的区别在于它们如何用于不同的机器学习问题。

回归和分类算法的主要区别在于，回归算法用于预测连续值，如价格、薪水、年龄等，而分类算法用于预测/分类离散值，如男性或女性、真或假、垃圾邮件或非垃圾邮件等。

请看下图

分类

分类是寻找一个函数的过程，该函数有助于根据不同的参数将数据集划分为不同的类别。在分类中，计算机程序在训练数据集上进行训练，并基于该训练将数据分类到不同的类别中。

分类算法的任务是找到映射函数，将输入(x)映射到离散输出(y)。

示例：理解分类问题的最佳示例是电子邮件垃圾邮件检测。模型根据数百万封电子邮件的不同参数进行训练，每当收到新电子邮件时，它都会识别该电子邮件是否为垃圾邮件。如果电子邮件是垃圾邮件，则将其移至垃圾邮件文件夹。

机器学习分类算法类型

分类算法可进一步分为以下类型

• 逻辑回归
• K-近邻
• 支持向量机
• 核支持向量机
• 朴素贝叶斯
• 决策树分类
• 随机森林分类

回归

回归是寻找因变量和自变量之间相关性的过程。它有助于预测连续变量，例如市场趋势预测、房价预测等。

回归算法的任务是找到映射函数，将输入变量(x)映射到连续输出变量(y)。

示例：假设我们要进行天气预报，为此我们将使用回归算法。在天气预测中，模型在过去数据上进行训练，一旦训练完成，它就可以轻松预测未来几天的天气。

回归算法类型

• 简单线性回归
• 多元线性回归
• 多项式回归
• 支持向量回归
• 决策树回归
• 随机森林回归

回归与分类的区别