我在写硕士论文时发现了一个问题：我仍然对一些机器学习原理感到不确定，或者对它们的描述有些模糊。

例如，我隐约记得曾经听过这样的描述：

分类任务的输出（标签）是离散和有限的，而回归任务的输出（标签）是连续的，并且可以是无限的

在这段描述中，我对回归任务中使用的“无限”一词感到不确定。

例如，假设（出于某种原因）你有一些2D数据点，这些点几乎像正弦波一样分布（带有一些噪声），你使用polyfit来拟合一个k次多项式（见图这里，这里k = 8）。现在你有一定范围内的数据，例如，这里x方向上可用点的范围是[0,12]，这些数据用于拟合多项式。

然而，你是否能快速得到x = 100万（或任意大的数）的y结果，因为你已经掌握了多项式的总体形状？这是否就是“无限标签”的意思？

也许我只是错误地记住了几年前学到的东西;)。

此致敬礼

回答：

首先，这个问题更适合在StackExchange上更理论化的网站上讨论，比如Stats Stackexchange、Math Stackexchange或Data Science Stackexchange，它们恰好也提供了你问题的答案。
但并不完全是这样。无论如何，你的问题似乎在于区分输入和输出。任务类型（即分类或回归）完全基于模型的输出，而与输入无关。

你可以有大量的“连续输入变量”（甚至可以混合一些离散的），如果输出值是离散的，仍可称为分类任务。

此外，无限只是指这些值是不受限制的，即你不能轻易将回归任务限制在特定范围内。如果你突然输入一个完全超出训练值范围的值（如你的例子），你可能会得到一个“无限”的y值，因为你的网络只在该特定范围内进行训练；多项式拟合也会出现这个问题，如下例所示：

红色线条可能是你的网络学习到的函数，所以如果你突然超出已知值范围，你可能会得到一些极端值（除非你训练得很好）。
与此相反，分类网络仍然会预测给定的任何类别。我喜欢将其想象成一种Voronoi图：即使你的点与之前的任何点相距非常远，它仍然会属于某个类别。