当前位置：首页 > AI科普

预测数字还是预测类别？聊聊回归和分类这对兄弟

回归和分类，是机器学习里最基础、也最常被搞混的两类「预测活儿」。一句话掰扯清：分类是猜「属于哪一类」（猫还是狗、点还是不点），回归是猜「具体是多少」（房价多少、温度几度）。你刷 App 看它给你估的房价，那是回归；看它猜你会不会点广告，那是分类。这俩兄弟一个管「数」、一个管「类」，看着像，干法差着道呢。米岸AI 觉得，入门 AI 先把这哥俩分清，后面才不会张冠李戴。

分类：给东西贴标签，非此即彼

分类干的事特直白——把输入分到有限几个「筐」里。二分类就俩筐（是／否、 spam／正常），多分类就多个筐（猫／狗／兔）。它的输出是「概率分布」：模型说「这张图 92% 是猫、8% 是狗」，你取最高的当结论。训练时，人得给样本贴好标签（这张是猫那张是狗），模型照着学「啥样对应啥筐」。它不关心「像猫的程度有几分」，只关心「最终归哪边」。你手机相册自动按人脸分群、邮箱自动拦垃圾，都是分类在背后分筐，干净利落。

回归：给东西估个数，连续不断

回归走的另一条路——输出一个具体的、连续的数字。预测房价、气温、销量、股价走势，都是回归的活儿。它的输出不是「属于哪类」，而是「大约是多少」：比如「这套房估值 386 万」。训练时，人给的是「真实数值」而不是标签，模型学的是「输入到数值」的映射关系。因为数字是连续的，回归讲究「离真实值差多少」，用误差大小衡量好坏。你每天的天气预报报「明天 23 度」，那数字就是回归吐出来的，精确到小数点后的那种连续感，是分类给不了的。

它俩差在「输出长啥样」

说到底，区别就钉在「输出」上。分类的输出是「离散的类别」，有限、可数；回归的输出是「连续的数字」，无限、可细。这决定了评价标准也不同：分类看「分对没分对」（准确率、召回率那套）；回归看「差多远」（平均误差多大）。还有个 tricks——有些问题能互相转化：把「明天几度」变成「明天冷／适中／热」三档，回归就改成了分类；反过来，给分类加个「置信度数字」，也能近似回归的味道。但本分上，一个管类一个管数，别混。

选错会闹啥笑话

这哥俩搞反，笑话就来了。把「房价预测」当分类做——你硬把房价切成「便宜／中等／贵」三筐，用户问「到底多少」你答不上，信息丢一大截，房子可不是三档能打发的。反过来，把「该不该放贷」当回归做——模型吐个「0.73」你却拿来当金额使，信贷决策全乱套。所以动手前先问自己：我要的是「归哪类」还是「估多少」？这问题答错，后面模型白训。老炮带新人，第一件事就是让他们先把任务钉死是回归还是分类，钉错了方向全歪。

实际用在哪：俩兄弟各守一摊

别以为它俩抢活儿，其实各守一摊。分类守「定性的摊」：垃圾邮件拦截、疾病初筛（阳／阴）、商品推荐里的「点不点」；回归守「定量的摊」：股价预测、需求 forecasting、保险精算估损。真实系统常常俩一起上——先用分类判断「这单有没有风险」，再用回归估「风险值多少钱」，兄弟搭伙才完整。它俩不写诗，但没它俩，机器学习连「猜数」和「归类」这最底层的活儿都干不了，后面那些花活儿更别提。地基稳，楼才盖得明白。