我是机器学习的初学者。我想使用时间序列线性回归来提取数据集的机密间隔。我不需要将线性回归用作分类器。首先，这两种情况有什么区别？其次，在python中，有没有不同的方法来实现它们？
答案 0 :(得分：2)
主要区别在于分类器将计算标签的概率。回归将计算定量输出。 通常，分类器用于计算标签概率，而回归通常用于计算数量。例如，如果您要考虑一些标准来计算一个公寓的价格，则将使用回归；如果您要考虑一些标准，则要针对同一公寓计算一个标签（豪华，适度...），则将使用分类器。 但是使用回归来计算阈值以分离观察到的标签也是一种经常使用的技术。线性SVM就是这种情况，它计算标签之间的边界。这称为决策边界。警告，线性的主要缺点是线性：这意味着边界必须是直线以分隔标签。有时它足够好，有时却不是。 逻辑回归是一个例外，因为它实际上计算了概率。其名称具有误导性。
对于回归，当您要计算定量输出时，可以使用置信区间来了解误差。在分类中，没有置信区间，即使您使用线性SVM，也没有意义。您可以使用决策函数，但实际上很难解释，也不能使用预测的概率并检查标签错误的次数并计算错误率。考虑到您的问题，有很多可用的比率，实际上，这实际上是整本书的主题。
无论如何，如果您要计算时间序列，据我所知，您的目标是获得定量输出，那么您就不需要您所说的分类器。提取它完全取决于您在python中用于计算它的对象：这意味着它取决于所使用对象的可用属性。然后也取决于图书馆。因此，如果您指出正在使用的库和对象，那么对您回答会更好。