一.回归：

     什么是回归？如果有一个数据集x，它所对应的真实值y1，回归就是通过将这些数据集拟合出一个函数关系，使得y2=g(x)，当然拟合不可能那么完美，所以就会有误差，这个误差就是y2-y1，即拟合出来的值，减去真实值。

思想：

     就是通过已知的x和对应的y1，拟合出来的y2，可以去预测未知的值，比如我知道一个变量5，我将他代入y2=g(x)，得出的y2就是一个比较符合原数据集x分布的值，可能不完全准确，但是有一定的真实性，重点就是通过已知去预测未知。

二.分类：

     分类就是一个类似于sign（x）函数的问题，就是你输入一个x，得到的输出要不就是0，要不就是1，比如我通过一个数据集，我拟合出来一个函数y=f(x)，使得我输入一个未知的数据进去这个函数能告诉我这个数据是属于1还是属于0，

举个例子：在神经网络中，我拟合出来了这样的一个函数（这是神经网络线性分类器的评分函数，这个就不解释了，可以百度）进行分类

我输入一张图片x，它会给我得分，如图

这个图片中，显示了我输入一张猫的图片，对应的得分，判断这个猫属于猫这一类的是-96，属于狗的437.9，属于船的是61.95，

       相当于我拟合的这个函数，可以把输入分为三类，而我想要的合理的分类函数（即这个被拟合出来的函数），是每一次我输入猫这个图片，它所对应的猫的分数都是最高的，而这里不是，所以不是合理的函数，需要计算一个误差，就是让max(0,狗的分-猫的分加上船的分-猫的分)，这就是一个误差，意思就是如果我输入猫的分高，这个误差就是0，所以我们就可以通过不断调整上面那个公式的w使得误差无限接近于0，

       所以这就是分类，我输入了一个图片进去它就会告诉我这个是猫还是别的，所以这张图片被判断为狗，明显错误的。

    

 区别：

     (1)就是，回归得出来的值是一一对应的，就是我输入一个值它就会告诉我所对应的精确值，也就是预测值，是连续的，且我每输入一个不同变量，他预测的值只跟这个变量对应，

     (2)而分类是离散的，是多对1的，比如，我输入一堆狗的图片进去，它都是被判断为狗，我输入一堆猫进去，都判断为猫，是多对1的，而且是离散的，

相同点：

      本质是一样的，都是通过数据来拟合一个函数，用来预测.我的理解就是可以都称之为回归，只是最后作用不同而已。

   

三,线性分类器：

       这是一个多元多重回归，即一行代表一个分类器，把这些分类器结合起来，就以上面那个猫为例子，我得到的猫的分数，是通过矩阵的第一行与输入图片相乘得来的，得到狗的分数，是第二行与输入图片相承得来的，船的分数，是第三行与输入图片相乘得来的，每一行就是一个线性分类器，用分类错误的分数减去分类正确的分数作为误差来训练，可以理解为分类器间相互影响，最后使每一行都出现在相对正确的位置上，即每个线性分类器都出现在相对正确的位置上，最后，可视化出来就是如下第二张图片所示。

为什么，在分类器上的图片不算分类呢？以y=2x举例子，如果y>0,输出1，y<0输出0，得到的值只有0或者1，即使这个函数本身是一条直线，所以分类的图片只可能在直线的两边而不可能在直线上。