分类与回归有什么区别？ | AI 面试题

核心要点

分类和回归都是监督学习，区别在于要预测的标签是「类别」还是「数值」。

输出是有限的离散类别。比如判断一封邮件是不是垃圾邮件（是/否，两类），或识别一张图片是猫、狗还是兔子（多类）。分类结果之间没有大小关系，"猫"不比"狗"大。

输出是连续的数值。比如根据房子信息预测房价、根据历史预测明天的温度。结果可以比较大小、做加减，相差 1 元和相差 100 万元意义完全不同。

问自己「答案能不能排成连续的数轴」。能（如价格、温度）就是回归；只能落在几个固定桶里（如是/否、猫/狗）就是分类。

⚠️ 常见踩坑

误区一：容易答偏的地方：看到数字标签不一定是回归。比如「评分 1-5 星」如果当成几个固定等级来判别就是分类；而像「邮编」这种数字其实是类别，不能当连续数值做回归。要看数字本身能否比较大小、做运算。

追问 1：逻辑回归（Logistic Regression）是分类还是回归？

名字里有「回归」，但它其实是分类算法。它输出一个 0 到 1 之间的概率，再用阈值（如 0.5）判断属于哪一类，常用于二分类。名字是历史原因造成的，容易误导初学者。

追问 2：分类和回归的评估指标为什么不一样？

因为目标性质不同。分类关心「判对了没」，所以用准确率、精确率、召回率、F1 这类指标；回归关心「预测值离真实值差多远」，所以用均方误差、平均绝对误差等衡量数值误差的大小。

同一考点的不同问法，换着练更稳

按主题分类的相关资源，便于系统复习

核心要点

分类：预测的目标是离散类别，答案是「属于哪一类」，如邮件是否垃圾、图片是猫还是狗。

回归：预测的目标是连续数值，答案是「具体多少」，如房价、明天气温、用户停留时长。

关键看标签类型：可数的有限类别用分类，连续可比大小的数值用回归。

两者常用的损失函数和评估指标不同：分类看准确率/F1，回归看误差大小（如均方误差）。

标准回答