当使用神经网络来预测制造过程中的错误百分比时，如果有一些输入因素是我们无法控制的（随机的），是使用回归还是分类更好？

例如，

输出可以是错误率，从-900%到+900%不等，平均和中位数错误率为9%（这是一个肥尾钟形曲线）。我们应该使用回归来尝试预测错误量，还是将错误分类为从中位数的标准差，例如900%是中位数的5个标准差。因此，我们将有11个类别，从-5到+5

回答：

输出取决于你的使用场景，远超过数据本身。一旦这个模型被训练，你将通过提供一个输入向量，一系列输入来使用它。你的模型将产生一个输出数字。你计划如何使用这个输出数字？为了讨论起见，让我们考虑两个在正侧部分的相似预测。

你的输出要么是+2，+2（分类），要么是+350%，+380%（回归）。

你需要对这两个输出做出相同的反应吗？大致在+2的一切是否接受相同的处理——如果是的话，你有明确的理由使用分类——还是根据相对大小有一些细微的差异——这表明需要一个回归模型。

另外，你在考虑哪些模型类型？如果你已经选择了一个相对简单的ANN，那么你不妨将其设为回归模型，并在预测中获得额外的“准确性”。如果你发现某些非线性函数或类别的简单性（相对于为回归方程尝试各种非线性项）有优势，那么就使用分类方法。