为了便于说明，让我们假设您正在尝试预测汽车油箱中的汽油量。

这个问题的分类问题陈述是你的车里是否有汽油（是或否）。

这个问题的回归语句将预测您汽车中的汽油水平（完全充满或完全空的任何地方）并且可以取任何值。

分类模型的输出可以是n 个选项之一，其中n是类的数量（和/或与每个类关联的概率）。

回归模型的输出是（可能有界的）连续值。

通过示例了解差异将非常容易。

分类：- 当您被要求预测患者是否会从疾病 X 中存活时，给出过去因相同疾病 X 存活或死亡的患者的所有必要数据，并给出预测相同的数据当前数据集。

回归：- 当您被要求找到汽车的售价时，给出了过去销售的汽车的所需信息，以及测试集（汽车）的价格和类似特征。

换句话说，我们也可以说，如果我们想找出一个离散的答案，那么这将是一个分类问题，如果我们想找出连续的（基于范围的）预测，那么这将是一个回归问题

回归和分类都与预测有关，其中回归预测来自连续集合的值，而分类预测“属于”类。

两者都是监督学习的例子。

例如：房子的价格取决于“大小”（平方英尺或任何单位）并说房子的“位置”，可以是一些“数值”（可以是连续的）：这与回归有关。

类似地，价格预测可以用词来表示，即“非常昂贵”、“昂贵”、“负担得起”、“便宜”和“非常便宜”：这与分类有关。

每个类可能对应于某个范围的值

分类任务：

根据一些预测变量预测（猜测、估计）一个类（名义变量），这些预测变量可以是任何类型。示例：根据用户在视频流媒体平台上观看的视频，预测该用户是男性还是女性。

回归任务：

根据一些预测变量预测（猜测、估计）一个连续值（一个数值变量），这些预测变量可以是任何类型。示例：根据用户在视频流媒体平台上观看的视频，预测用户的年龄。

现在，有一个灰色区域：有一些算法可以预测概率，它是一个介于 0 和 1 之间的连续值。根据上述定义，您可以将它们视为回归算法（想想逻辑回归）。同时，这个概率是指类，所以可以用来分类（只要给概率设置一个阈值：概率<0.5的都归一类，> 0.5的归另一类）。你如何“分类”这些算法是一个哲学问题，没有什么实际意义。