k-最近邻中的分类和回归之间的区别？ [关闭]

Question

关闭。 此问题不符合Stack Overflow 准则。 它目前不接受答案。

---

想改善这个问题吗？ 更新问题，使其成为 Stack Overflow的主题。

9 个月前关闭。

改进这个问题

在分类中使用 K 近邻和在回归中使用它有什么区别？

以及在推荐系统中使用 KNN 时。 它涉及分类还是回归？

Answer 1

在分类任务中，用户寻求预测一个category ，通常表示为整数标签，但代表“事物”的类别。 例如，您可以尝试将图片分为“猫”和“狗”，并使用标签 0 表示“猫”，使用标签 1 表示“狗”。

用于分类的 KNN 算法将查看您尝试对其进行预测的输入的 k 个最近邻。 然后它将输出这 k 个示例中出现频率最高的标签。

在回归任务中，用户希望输出一个数值（通常是连续的）。 例如，它可能是估计房屋的价格，或对电影的好坏进行评估。

在这种情况下，KNN 算法将从您要进行预测的示例中收集与 k 个最接近的示例相关联的值，并将它们聚合以输出单个值。 通常，您会选择邻居的 k 值的平均值，但您可以选择中位数或加权平均值（或实际上任何对您手头的任务有意义的东西）。

对于您的特定问题，您可以同时使用两者，但回归对我来说更有意义，以便预测用户和您想推荐给他的事物之间的某种“匹配百分比”。