分类和回归属于受监督的机器学习，并且分享使用过去数据做出预测或做出决定的共同概念，这就是其相似性结束的地方。

让我们以一个例子来学习：

您是否想知道Gmail如何将某些内容分类为垃圾邮件或垃圾邮件？

它背后的过程是通过训练数以百万计的已被确定为垃圾邮件或其他方式的电子邮件来教授模型以识别任何传入邮件。要将邮件归类为垃圾邮件，需要考虑以下几点：

• 1.邮件中是否包含垃圾邮件相关术语，如“彩票”。

• 2.邮件是否被用户归类为垃圾邮件。

• 3.他们多久收到一次。

分类

现在使用这些电子邮件，该模型经过培训以识别新电子邮件。

因此，在系统接受训练以识别电子邮件后，当新电子邮件触发您的收件箱时，系统会自动将其分类为垃圾邮件或垃圾邮件。

分类问题，要求根据过去的数据将项目分成不同的类别。在某种程度上，我们正在解决一个是/否的问题。某件事是否符合其要求的标准，或者它是否损坏等等。

回归

现在回归问题，系统尝试根据过去的数据预测输入值。与分类不同，我们基于过去的数据预测价值，而不是将它们分类到不同的类别中。

假设你想预测是否会下雨，如果有，你会得到多少降雨量。

我们今天获得的雨量可以通过测量其他天气因素，如温度，湿度，压力，风速，风向，然后查看它们与过去的降雨相关性来计算。如果今天的测量结果与下雨的日子密切相关，那么今天的降雨量很高。

分类与回归