回归任务（Regression）与分类任务（Classification）是机器学习的两大核心任务类型，其根本区别在于输出变量的性质和任务目标。以下是系统性对比：
1. 本质区别：输出变量类型
| 任务类型 | 输出（Target） | 数学表达 | 示例 |
|---|---|---|---|
| 回归任务 | 连续值（Continuous） | 实数域 | 房价（如325.7万元）、温度（36.5℃） |
| 分类任务 | 离散值（Discrete） | 有限类别集合 | 图像类别（猫/狗）、邮件类型（垃圾/正常） |
2. 模型输出形式对比
| 任务类型 | 输出层设计 | 激活函数 | 输出含义 |
|---|---|---|---|
| 回归任务 | 单神经元 | 无 或 Linear | 直接预测连续值 |
| 分类任务 | - 二分类：1个神经元 - 多分类：K个神经元 | Sigmoid (二分类) Softmax (多分类) | 预测概率分布（各类别概率） |
📌 关键区别：
分类任务输出概率（如 [0.1,0.9] 表示90%概率为“狗”），回归任务输出具体数值（如 25.325.3 表示温度值）。
3. 损失函数（Loss Function）
| 任务类型 | 常用损失函数 | 数学形式 | 优化目标 |
|---|---|---|---|
| 回归任务 | 均方误差（MSE） | 最小化预测值与真实值的平方距离 | |
| 平均绝对误差（MAE） | 最小化绝对误差 | ||
| 分类任务 | 交叉熵（Cross-Entropy） | 最小化预测分布与真实分布的差异 |
为什么不同？
-
回归：需量化预测值与真实值的数值差距（物理意义明确）。
-
分类：需衡量概率分布的相似性（交叉熵源于信息论）。
4. 评估指标（Evaluation Metrics）
| 任务类型 | 常用评估指标 | 解释 |
|---|---|---|
| 回归任务 | MSE / RMSE | 均方误差 / 均方根误差（越小越好） |
| MAE | 平均绝对误差（鲁棒性强） | |
| R² (决定系数) | 模型解释方差的比例（0~1，越大越好） | |
| 分类任务 | 准确率（Accuracy） | 正确预测样本比例 |
| 精确率（Precision） | 正例预测中真实正例的比例 | |
| 召回率（Recall） | 真实正例中被预测正确的比例 | |
| F1-Score | 精确率和召回率的调和平均 | |
| AUC-ROC | 模型区分正负样本的能力（0.5~1） |
💡 注意：分类任务中若类别不平衡（如99%负例），准确率会失效（全预测负例即99%准确），需用F1或AUC。
5. 典型算法对比
| 任务类型 | 经典算法 |
|---|---|
| 回归任务 | 线性回归、决策树回归、随机森林回归、梯度提升树（GBRT）、支持向量回归（SVR） |
| 分类任务 | 逻辑回归、决策树分类、随机森林分类、支持向量机（SVM）、朴素贝叶斯 |
神经网络架构差异：
-
回归任务：输出层为线性神经元（如
nn.Linear(hidden_size, 1)） -
分类任务：输出层为 Softmax/Sigmoid + 交叉熵损失（如
nn.CrossEntropyLoss()）
6. 决策边界可视化
| 任务类型 | 决策边界特点 | |
|---|---|---|
| 回归任务 | 拟合连续曲线/曲面 | |
| 分类任务 | 划分离散区域的边界（线性/非线性） |
7. 特殊案例：二者相互转化
(1) 回归 → 分类（离散化）
-
场景：预测年龄（回归）→ 判断年龄段（分类）
例：
<18岁→ 类别0，18-35岁→ 类别1，>35岁→ 类别2
(2) 分类 → 回归（概率输出）
-
场景：疾病诊断（分类）→ 输出患病概率（连续值，可视为回归）
例：逻辑回归输出概率 𝑃(癌症)=0.73
⚠️ 注意：转化需谨慎，可能损失信息或引入偏差！
总结：核心差异全景图
一句话记忆
回归预测“多少”，分类判断“是否”
—— 连续值是回归的战场，离散类别是分类的舞台！
