k-最近邻中分类和回归的区别？
difference between classification and regression in k-nearest neighbor?
在分类中使用K最近邻和在回归中使用有什么区别？
以及在推荐系统中使用 KNN 时。它涉及分类还是回归？
在分类任务中，用户试图预测一个category，它通常表示为一个整数标签，但表示“事物”的类别。例如，您可以尝试将图片分类为“猫”和“狗”，并将标签 0 用于“猫”，将标签 1 用于“狗”。
用于分类的 KNN 算法将查看您尝试对其进行预测的输入的 k 个最近邻居。然后它将输出这 k 个示例中出现频率最高的标签。
在回归任务中，用户希望输出一个数值（通常是连续的）。比如估价一个房子，或者评价一部电影好不好。
在这种情况下，KNN 算法会从您要对其进行预测的样本中收集与 k 个最接近样本关联的值，并将它们聚合以输出单个值。通常，你会选择邻居的 k 个值的平均值，但你可以选择中位数或加权平均值（或者实际上任何对你手头的任务有意义的东西）。
对于您的特定问题，您可以同时使用两者，但回归对我来说更有意义，以便预测用户与您要向他推荐的事物之间的某种“匹配百分比”。
在分类中使用K最近邻和在回归中使用有什么区别？
以及在推荐系统中使用 KNN 时。它涉及分类还是回归？
在分类任务中，用户试图预测一个category，它通常表示为一个整数标签，但表示“事物”的类别。例如，您可以尝试将图片分类为“猫”和“狗”，并将标签 0 用于“猫”，将标签 1 用于“狗”。
用于分类的 KNN 算法将查看您尝试对其进行预测的输入的 k 个最近邻居。然后它将输出这 k 个示例中出现频率最高的标签。
在回归任务中，用户希望输出一个数值（通常是连续的）。比如估价一个房子，或者评价一部电影好不好。
在这种情况下，KNN 算法会从您要对其进行预测的样本中收集与 k 个最接近样本关联的值，并将它们聚合以输出单个值。通常，你会选择邻居的 k 个值的平均值，但你可以选择中位数或加权平均值（或者实际上任何对你手头的任务有意义的东西）。
对于您的特定问题，您可以同时使用两者，但回归对我来说更有意义，以便预测用户与您要向他推荐的事物之间的某种“匹配百分比”。