bsp;这个过程就是回归问题——它的目标是预测一个连续的数值，而不是一个固定类别。
回归问题的典型特征：
答案是一个数值，而不是分类标签（如“明天卖
76
杯”而不是“卖得多”或“卖得少”）
数据之间有连续性的关系（温度从
20°C
到
40°C，销量随之变化）
最终输出是一个数值预测（如“销量=76”）
现实中的应用：
?
预测房价（基于面积、地段等因素预测房价）
?
预测股票价格（基于历史数据预测未来走势）
?
预测某人未来的收入（基于年龄、教育、工作经验等）
用比喻解释分类问题和回归问题
1.
分类问题——“选择哪种衣服？”
想象你站在衣柜前，思考今天穿什么衣服。你会根据天气决定：
?
晴天
→
穿T恤
?
下雨
→
穿雨衣
?
下雪
→
穿羽绒服
这是一个分类问题，因为你的决策结果是几个固定选项之一（T恤、雨衣、羽绒服）。
2.
回归问题——“决定穿多厚？”
如果你不仅要决定穿什么，还想确定该穿多厚的衣服，就成了回归问题。
你会想：
?
10°C，应该穿厚毛衣+外套（厚度
8
分）
?
20°C，应该穿薄外套（厚度
5
分）
?
30°C，应该穿短袖（厚度
2
分）
这样，你的决定不只是T恤/雨衣/羽绒服，而是一个连续数值（衣服的厚度），这就类似于回归问题。
总结
对比点
分类问题
回归问题
输出类型
固定类别（离散值）
连续数值
目标
识别类别（苹果
or
橘子）
预测数值（温度
vs.
柠檬水销量）
典型应用
垃圾邮件分类、疾病诊断
房价预测、销量预测
示例
这封邮件是垃圾邮件吗？（是/否）
明天应该卖多少杯柠檬水？（75
杯）
分类问题适合选出某个类别，而回归问题适合预测一个数值。希望这些比喻能帮你更容易理解它们的区别！
第603章 机器学习里的分类问题和回归问题，一个故事解释[2/2页]