在吴安德（Andrew Ng）的一次演讲中，他询问以下问题是分类问题还是回归问题。答：这是一个回归问题。
您有大量相同的物品。您想预测如何 其中许多产品将在未来3个月内出售。
好像我缺少什么。据我了解，这应该是分类问题。原因是我们必须将每个项目分为两类，即是否可以出售，它们是离散值而不是连续值。
不确定我的理解力在哪里。
答案 0 :(得分：1)
您的想法是，您拥有一个具有各自功能的商品数据库，并希望预测是否会售出每件商品。最后，您只需要计算可以出售的物品数量即可。如果用这种方式解决问题，那么那的确是分类问题。
但是，请注意问题中的以下句子：
您有大量相同的物品。
相同的项目表示所有项目将具有完全相同的功能。如果您想出一个二进制分类器来告诉您是否可以出售产品，由于所有功能值都完全相同，因此您的分类器会将所有商品归为同一类别。
我想，要解决此问题，例如，您可能可以访问过去5年每月的已售商品时间序列。然后，您将不得不处理这些数据并插值到将来。您不会对每个项目进行单独分类，而是实际计算一个数值，该数值指示未来1个月，2个月和3个月的已售物品数量。
根据Pattern Recognition and Machine Learning (Christopher M. Bishop, 2006)：
诸如数字识别示例的案例，其目的是将每个输入向量分配给有限数量的离散类别之一，这被称为分类问题。如果所需的输出包含一个或多个连续变量，则该任务称为回归。
最重要的是，了解统计资料中定义的categorical, ordinal, and numerical variables之间的区别很重要：
类别变量（有时称为名义变量）是具有两个或多个类别的变量，但是类别没有内在的顺序。例如，性别是具有两个类别（男性和女性）的类别变量，并且类别没有内在的顺序。
（...）
序数变量类似于分类变量。两者之间的区别在于变量有明确的顺序。例如，假设您的经济状况是变量，分为三个类别（低，中和高）。除了可以将人分为这三个类别外，您还可以将类别排序为低，中和高。
（...）
数值变量与序数变量相似，不同之处在于数值变量的值之间的间隔相等。例如，假设您有一个变量，例如以美元为单位的年收入，我们有三个人分别赚了10,000美元，15,000美元和20,000美元。
尽管最终结果将是一个整数（一组离散数字），但请注意，它仍然是numerical value, not a category。您可以用数学方法处理数值（例如，计算明年的平均销售数量，找到未来3个月内的最高销售数量...），但不能对离散类别执行此操作（例如，平均一部手机和一部电话？）
分类问题是指输出是分类的还是有序的（按Bishop的分类是离散的）。回归问题输出数值（根据Bishop，连续变量）。
您的系统可能仅限于输出整数，而不是输出实数，但不会改变变量的性质。因此，您的问题是回归问题。