很多人分不清楚分類和迴歸，我來講一下，我們經常會碰到這樣的問題：

1、如何將信用卡申請人分為低、中、高風險群？

2、如何預測哪些顧客在未來半年內會取消該公司服務，哪些電話使用者會申請增值服務？

3、如何預測具有某些特徵的顧客是否會購買一臺新的計算機？

4、如何預測病人應當接受三種具體治療方案的哪一種？

5、如何預測一位顧客在一次銷售期間將花多少錢？

6、如何預測銀行可以安全地貸給貸款人的貸款量？

7、使用 2G 通訊網路的手機使用者哪些有可能轉換到 3G 通訊網路？

8、如何有效預測房地產開發中存在的風險？

除此之外，市場經理需要資料分析，以便幫助他來猜測具有某些特徵的顧客是否會購買一臺新的計算機；醫學研究者希望分析乳腺癌資料，預測病人應當接受三種具體治療方案的哪一種；市場經理希望預測一位顧客在一次銷售期間將花多少錢；預測銀行可以安全地貸給貸款人的貸款量，這些都是分類與迴歸的例子。

分類（Classification）：分類是指將資料對映到預先定義好的群組或類。因為在分析測試資料之前，類別就已經確定了，所以分類通常被稱為有監督的學習。分類演算法要求基於資料屬性值來定義類別，通常通過已知所屬類別的資料的特徵來描述類別。

分類就是構造一個分類函式(分類模型)，把具有某些特徵的資料項對映到某個給定的類別上。

該過程由兩步構成：模型建立和模型使用。模型建立是指通過對訓練資料集的學習來建立分類模型；模型使用是指使用分類模型對測試資料和新的資料進行分類。其中的訓練資料集是帶有類標號的，也就是說在分類之前，要劃分的類別是已經確定的。通常分類模型是以分類規則，決策樹或數學表示式的形式給出。

迴歸（Regression）：用屬性的歷史資料預測未來趨勢。迴歸首先假設一些已知型別的函式（例如線性函式、Logistic 函式等）可以擬合目標資料，然後利用某種誤差分析確定一個與目標資料擬合程度最好的函式。

 而回歸模式採用連續的預測值。在這種觀點下，分類和迴歸都是預測問題。但在資料探勘業界，普遍認為：用預測法預測類標號為分類，預測連續值(例如使用迴歸方法)為預測。許多問題可以用線性迴歸解決，對於許多非線性問題可以通過對變數進行變化，從而轉換為線性問題來解決。

主要演算法總結