这个过程就是回归问题——它的目标是预测一个连续的数值，而不是一个固定类别。
回归问题的典型特征：
答案是一个数值，而不是分类标签（如“明天卖 76 杯”而不是“卖得多”或“卖得少”）
数据之间有连续性的关系（温度从 20°c 到 40°c，销量随之变化）
最终输出是一个数值预测（如“销量=76”）
现实中的应用：
预测房价（基于面积、地段等因素预测房价）
预测股票价格（基于历史数据预测未来走势）
预测某人未来的收入（基于年龄、教育、工作经验等）
用比喻解释分类问题和回归问题
1 分类问题——“选择哪种衣服？”
想象你站在衣柜前，思考今天穿什么衣服。你会根据天气决定：
晴天 → 穿t恤
下雨 → 穿雨衣
下雪 → 穿羽绒服
这是一个分类问题，因为你的决策结果是几个固定选项之一（t恤、雨衣、羽绒服）。
2 回归问题——“决定穿多厚？”
如果你不仅要决定穿什么，还想确定该穿多厚的衣服，就成了回归问题。
你会想：
10°c，应该穿厚毛衣+外套（厚度 8 分）
20°c，应该穿薄外套（厚度 5 分）
30°c，应该穿短袖（厚度 2 分）
这样，你的决定不只是t恤\/雨衣\/羽绒服，而是一个连续数值（衣服的厚度），这就类似于回归问题。
总结
对比点 分类问题 回归问题
输出类型 固定类别（离散值） 连续数值
目标 识别类别（苹果 or 橘子） 预测数值（温度 vs 柠檬水销量）
典型应用 垃圾邮件分类、疾病诊断 房价预测、销量预测
示例 这封邮件是垃圾邮件吗？（是\/否） 明天应该卖多少杯柠檬水？（75 杯）
分类问题适合选出某个类别，而回归问题适合预测一个数值。希望这些比