大家好，我是子衡，嵌入式 AI 工程师，《AI+嵌入式：让单片机学会思考》课程主理人，专注AI在 MCU 上的落地实践。

在我们的课程中有介绍过机器学习基础知识中的“分类问题与回归问题”，但是由于有比较多的学员没有AI基础，仍然对这两个问题不是很理解。也会在我们的基础交流群中进行提问，下面我再对这两个概念进行较为形象的讲解。

一：分类问题：

在上面我的课程中，通过输入/输出是什么对这个问题进行了讲解，但仍然不是很形象，会有好学的同学问贺老师具体是怎么来实现数据分类的。下面我用一个例子来举例介绍。

假设有一大堆数据需要分类，举例来说，假设今天有一个人加了贺老师的微信，我需要把他分类为“有可能报名【AI+嵌入式】课程的读者”和“没有可能报名【AI+嵌入式】课程的读者”。

在机器学习中会给定一个解决方案：通过构建分类树把这个人（也就是数据）根据是否有对【AI+嵌入式】课程进行分类。

（关于怎么构建分类树，我会在以后的文章中介绍，暂时你可以理解为它是数据结构中的二叉树）

一旦我们建立了分类树，就可以用它来进行分类。如下面的图片所示。

从顶部开始提问：“你对【AI+嵌入式】的课程感兴趣吗？”

如果你对课程不感兴趣，选择右边。

接下来的问题就是：“你想让专家指导你做设计吗？”

如果你对【AI+嵌入式】的课程不感兴趣，也不想让专家带着你指导做设计，那么就太糟糕了。

另外，如果你想让贺老师来指导你做设计，那么分类树预测你可能会喜欢我的课程。如果你对【AI+嵌入式】课程感兴趣，那么分类树预测你有可能报名我的课程。

好了，通过上面的例子，你应该理解了机器学习中的分类问题是什么含义。

二、回归问题

假设有一堆数据需要用于定量预测，也就是机器学习中的回归问题。

举例来说，假设测量5个人的身高和体重，在这组数据中可以看到趋势是：一个人的体重越重，其身高也越高，所以用体重预测身高看上去是合理的。

因此，如果有其他人提供了体重数据，那么我们就可以利用前5个人的信息来预测其身高。这个就是回归的问题。

其中一个解决方案：通过线性回归方法，可以用收集到的数据拟合出来一条直线，并用该直线进行定量预测。

这条随着体重的增加而升高的直线总结了数据的趋势：一般而言，当一个人的体重增加时，其身高也增加。

现在，如果有了新的数据是给定了你的体重在A点，那么你的身高应该是在B点。

上面就是机器学习中的回归问题。

三、总结

上面仅仅是通过两个例子让读者朋友们可以理解什么是“分类”和“回归”。其实还有非常非常多问题需要解答：

• 其中神经网络是怎么实现的分类？

• 怎么实现的回归？

• 怎么进行拟合曲线？

• 过拟合怎么处理？

• 怎么让拟合的曲线更接近真实值？

• 具体是选择线性回归还是非线性回归？

• …………

还有非常多的问题需要学习。

欢迎关注小编，一起学习、一起成长。比如加入小编的微信及技术交流群，与高手一起学习。