K近邻算法在分类和回归中的使用有什么区别？

当在推荐系统中使用KNN时，它是属于分类还是回归？

回答：

在分类任务中，用户试图预测一个类别，通常以整数标签表示，但代表的是“事物”的类别。例如，你可以尝试将图片分类为“猫”和“狗”，并使用标签0表示“猫”，1表示“狗”。

用于分类的KNN算法会查看你试图进行预测的输入的k个最近邻居。然后，它会输出这些k个示例中最常见的标签。

在回归任务中，用户希望输出一个数值（通常是连续的）。例如，估计房价，或评估电影的质量。

在这种情况下，KNN算法会收集与你想要进行预测的示例最接近的k个示例相关联的值，并将它们聚合以输出一个单一值。通常，你会选择k个邻居值的平均值，但你也可以选择中位数或加权平均值（或者实际上是你认为对当前任务有意义的任何方法）。

对于你的具体问题，你可以使用这两种方法，但在我看来，回归更适合预测用户与你想要推荐给他的物品之间的某种“匹配百分比”。