使用神经网络二分类的时候误把输出层神经元个数设置位1，应该设置为类别的数目才是正确的。
后来我想，如果分类问题的输出维度设置为1，那不就成了回归了吗？深究发现并不是这么简单。
拿分数预测为例，分数 >=90 为优， 80<=分数<90为良，60=<分数<80为合格，分数<60为差
以下分为三种情形：
情形一：
以学习效率和学习时间预测分数，为回归问题，输出维度为1。
情形二：
以学习效率和学习时间做优、良、合格、差四分类，为分类问题，输出维度为4。
情形三：
以学习效率和学习时间做优、良、合格、差四分类，输出维度改为1，用数字0，1，2，3表示四个分类。
对于情形一、二没有什么问题，但对于情形三，这样正确吗？或者说，合适吗？如果合适，属于回归还是分类？
对于情形三，如果是多分类，输出层使用softmax做激活函数。
首先从输出数值上来说就是错误的。因为softmax输出值在【0，1】之间，而标签不仅仅是0，1，loss恐怕很难收敛。不过对于二分类却没有这个问题。
然后看目标函数，如果使用多类交叉熵目标函数：
这时标签不再是one-hot向量，而是数值0，1，2，3，对应目标函数中的t,相当于给t乘上了一个系数，会导致不同类别的单个数据loss大小失衡，会把模型拉到标签值大的数据上。同样，对于二分类，相当于是预测为1的概率。
然后有人可能会说，不用分类的目标函数，用回归的目标函数，比如平方和误差函数：
这相当于去拟合一个分段函数。我们来比较两种情况：
一、用平方和误差函数，输出层不用激活函数，输出维度为1，目标值为0，1，2，3进行拟合。
二、用多类交叉熵误差函数，输出层用softmax激活函数，输出维度为4，目标值为one-hot向量（情形二）。
这两种情况的梯度是等价的（参考 逻辑回归 - 简书 ），但是细节上还是不太一样。比如，对于第一种情况，把0预测为3会导致较大的误差，但对于第二种情况，把0预测为3和把0预测为1的误差却没有差别。这里其实体现出了分类和回归的差别，对于回归问题，目标值之间是有距离关系的，对于分类问题，目标值之间可能就如one-hot向量那样是完全无关的。从这方面来看，第一种情况更容易学到数据的真实特征，第二种情况反而丢失了目标值之间的距离特征。
如果这里不用平方和误差函数和交叉熵误差函数，哪种效果好就很难说了。但是不变的是，回归的目标值之间是有距离关系的，不论是曼哈顿距离、欧几里得距离还是其他距离度量。
同样，如果是二分类，就没有这个差异了（开挂的二分类。。。）。
分类和回归的差异总结如下:
1、激活函数，如果是神经网络，最后一层不加激活函数。
2、目标函数不同。
3、回归的目标值（标签）之间有距离特征，分类的没有。
至于别人说的回归的输出是连续的，分类的输出是不连续的，这点没有触及本质而且我也不认同，像上面说的分段函数的情况，回归的输出也可以是离散的。而且分类输出概率也是连续的。
部分想法和这位知友不谋而合：分类与回归区别是什么？ - 知乎
相关链接：分类与回归区别是什么？ - 知乎
网友评论