很多人分不清楚分类和回归，我来讲一下，我们经常会碰到这样的问题：
1、如何将信用卡申请人分为低、中、高风险群？
2、如何预测哪些顾客在未来半年内会取消该公司服务，哪些电话用户会申请增值服务？
3、如何预测具有某些特征的顾客是否会购买一台新的计算机？
4、如何预测病人应当接受三种具体治疗方案的哪一种？
5、如何预测一位顾客在一次销售期间将花多少钱？
6、如何预测银行可以安全地贷给贷款人的贷款量？
7、使用 2G 通信网络的手机用户哪些有可能转换到 3G 通信网络？
8、如何有效预测房地产开发中存在的风险？
除此之外，市场经理需要数据分析，以便帮助他来猜测具有某些特征的顾客是否会购买一台新的计算机；医学研究者希望分析乳腺癌数据，预测病人应当接受三种具体治疗方案的哪一种；市场经理希望预测一位顾客在一次销售期间将花多少钱；预测银行可以安全地贷给贷款人的贷款量，这些都是分类与回归的例子。
分类（Classification）：分类是指将数据映射到预先定义好的群组或类。因为在分析测试数据之前，类别就已经确定了，所以分类通常被称为有监督的学习。分类算法要求基于数据属性值来定义类别，通常通过已知所属类别的数据的特征来描述类别。
分类就是构造一个分类函数(分类模型)，把具有某些特征的数据项映射到某个给定的类别上。
该过程由两步构成：模型创建和模型使用。模型创建是指通过对训练数据集的学习来建立分类模型；模型使用是指使用分类模型对测试数据和新的数据进行分类。其中的训练数据集是带有类标号的，也就是说在分类之前，要划分的类别是已经确定的。通常分类模型是以分类规则，决策树或数学表达式的形式给出。
回归（Regression）：用属性的历史数据预测未来趋势。回归首先假设一些已知类型的函数（例如线性函数、Logistic 函数等）可以拟合目标数据，然后利用某种误差分析确定一个与目标数据拟合程度最好的函数。
而回归模式采用连续的预测值。在这种观点下，分类和回归都是预测问题。但在数据挖掘业界，普遍认为：用预测法预测类标号为分类，预测连续值(例如使用回归方法)为预测。许多问题可以用线性回归解决，对于许多非线性问题可以通过对变量进行变化，从而转换为线性问题来解决。
主要算法总结
