深度学习 - 为什么分类与回归的区别不仅仅是连续与离散数据的区分？

Question

为什么分类与回归的本质区别不是连续和离散吗？

分类与回归区别是什么？ - 陶韬的回答 - 知乎

离散不就是定性，连续不就是定量吗，那为什么不是分类与回归的区别？不是很理解(

Answer 1

分类与回归的区别不仅仅在于输出数据的类型（连续或离散），更核心的区别在于它们解决问题的本质和目标。以下是几个关键点，解释了为什么分类与回归的区别超越了单纯的数据类型：

1. 目标不同：

   • 分类：目标是将实例分配到有限数量的类别之一。它关注的是识别数据的类别属性，即“这个数据属于哪个类别？”。
   • 回归：目标是预测一个或多个连续值的结果。它关注的是建立自变量（输入特征）和因变量（输出目标）之间的数学关系，以预测数值结果，即“这个数据的结果是多少？”。

2. 输出值的性质：

   • 虽然分类的输出通常是离散的类别标签，但回归的输出是连续的数值。然而，这仅仅是表面现象。更重要的是，分类模型学习的是类别之间的界限或决策边界，而回归模型学习的是输入到输出的映射关系。

3. 损失函数：

   • 分类：常用的损失函数包括交叉熵损失（用于多分类）、对数损失（用于二分类）等，这些损失函数旨在最大化分类的正确率或最小化分类错误。
   • 回归：常用的损失函数包括均方误差（MSE）、均方根误差（RMSE）等，这些损失函数旨在最小化预测值与实际值之间的差异。

4. 模型评估：

   • 分类：评估指标包括准确率、精确率、召回率、F1分数、混淆矩阵等，这些指标反映了模型分类的准确性和可靠性。
   • 回归：评估指标通常包括MSE、RMSE、MAE（平均绝对误差）等，这些指标衡量了模型预测值与实际值之间的偏差。

5. 应用场景：

   • 分类：适用于结果只有有限个类别的场景，如垃圾邮件识别、图像分类、疾病诊断等。
   • 回归：适用于预测连续数值的场景，如房价预测、股票价格预测、气温预测等。

综上所述，分类与回归的区别不仅仅在于处理的数据类型（连续或离散），更在于它们解决问题的本质、目标、损失函数、模型评估方法和应用场景等方面的不同。