假设我想通过训练一个卷积神经网络（CNN）来确定房屋的建造年份，训练集是带有以下映射的房屋图像：

Input Pictures [244, 244, 3] -> Output Year [1850, 1850, ... , 2018] 

这是一个监督学习问题，因此标签是已知的（从1850年到2018年）。

我应该构建一个分类器还是回归模型来解决这个问题？我不确定，因为我没有1850年到2018年每年的输入数据，但我希望分类器在训练完成后能够对新图片输出所有可能的值。这似乎指向回归模型。

另一方面，我不希望分类器输出连续的Y值，因为我对建筑物的具体建造年份感兴趣，而不是中间值。

这个问题的答案可能非常简单，但我无法确定。

回答：

这显然是一个回归问题。如果你将每一年视为一个独立的类别，那么类别1900和2017与2018的距离是相同的（在分类中，数值大小无关紧要）。但显然，当真实标签是2018时，预测2017和1900是非常不同的。此外，正如你所说，回归问题可以推广到未见过的年份，这在分类中几乎是不可能的，如果这些类别不在训练集中。

如果你的最终结果必须是整数，我建议你实现对回归输出的解释。例如，如果输出值在一定范围内，可以返回一个四舍五入的值，或者在模型不确定时返回两个年份：

regression_output=2000.23 -> result_year=2000regression_output=2000.96 -> result_year=2001regression_output=2000.45 -> result_year=2000/2001

这样，你将有一个额外的参数需要调整。例如，设置tolerance=0.5将使你的模型总是确定无疑。