开启掘金成长之旅！这是我参与「掘金日新计划 · 12 月更文挑战」的第5天，点击查看活动详情

一、常见的分类问题介绍

常见的分类问题有图像分类、垃圾邮件检测、数字识别、手势识别等等，它们的共同特点就是根据目前已知样本的某些特征，来判断一个新的样本应该如何分类的。

以垃圾邮件检测为例，我们会获得很多的电子邮件作为输入，而输出自然就是判断出邮件为垃圾邮件还是普通邮件。其中输入样本会有对应的垃圾邮件或者普通邮件的标识，计算机通过学习这些特征就可以对新邮件作出判断了。

二、常见的分类方法介绍

常见的分类方法主要有四种，包括逻辑回归、KNN近邻模型、决策树和神经网络。

分类任务和之前所述的回归任务区别就在于，前者的目标是判断类别输出非连续性标签，而后者的目标是建立函数关系输出连续性的数值。

逻辑回归是分类问题中经常使用的方法，作为解决分类问题的一种模型，它主要是根据数据特征或属性，计算其归属于某一类别的概率，然后根据概率数值来判断其所属的类别。最主要的应用场景就是二分类问题。

面对更加复杂的问题时，逻辑回归就可以结合多项式边界函数来解决。

那么分类问题可以采用线性回归来解决吗？答案是不行的，因为分类问题的标签和预测结果都是离散的点，并非连续性的数值（也就是说无法构成一条线），所以采用线性回归的损失函数是无法找到极小值点的，也就无法使用线性回归来解决类似的分类问题了。

以上就是对于分类问题和逻辑回归的基本介绍。