分类模型和回归模型

分类：

概念：对于分类问题，监督学习从数据中学习一个分类模型或者分类决策函数，称为分类器。分类器对新的输入预测其属于哪一类别，称为分类。
优化过程：找到最优决策面
输出：离散值，如0/1，yes/no
评价指标：一般是精确率，即给定测试数据集，分类器能正确分类的样本数占总样本数的比。
模型损失函数：交叉熵损失函数

回归：

概念：回归用于预测输入变量和输出变量之间的关系，特别是当输入变量的值发生变化时，输出变量的值也会跟着变化。回归模型正是表示输入变量到输出变量之间的映射函数，回归问题的学习等价于函数拟合。
优化过程：使得学习到的函数曲线跟真实曲线拟合的最好
输出：连续值，如房子的售价，天气温度
评价指标：根据回归任务的不同而不同，对于图像复原问题，评价指标有SSIM/PSNR等
模型损失函数：常用的是均方误差，即预测输出和标签的

因此，分析分类模型和回归模型的不同，可以从其输出类型、优化过程、损失函数、评价指标等方面着手进行对比。

参考链接：https://www.nowcoder.com/questionTerminal/91d58bcfce164005aa092cb73ccf12bd?orderByHotValue=1&page=1&onlyReference=false

https://blog.csdn.net/lanchunhui/article/details/50982720