如果单从结果上来看，分类模型是认为模型的输出是离散的，例如大自然的生物被划分为不同的种类，是离散的。回归模型的输出是连续的，例如人的身高变化过程是一个连续过程，而不是离散的。
下面是很好的一幅图可以比较两者的区别：
分类vs 回归
最后知乎上有个回答我觉得比较认可：回归和分类的根本区别在于输出空间是否为一个度量空间。
我们不难看到，回归问题与分类问题本质上都是要建立映射关系：
image.png
这两者的区别在于：
对于回归问题，其输出空间B是一个度量空间，即所谓“定量”。也就是说，回归问题的输出空间定义了一个度量 d=F(ytrue,ypred)去衡量输出值与真实值之间的“误差大小”。例如：预测一瓶700毫升的可乐的价格（真实价格为5元）为6元时，误差为1；预测其为7元时，误差为2.这两个预测结果是不一样的，是有度量定义来衡量这种“不一样”的。（于是有了均方误差这类误差函数）。
对于分类问题，其输出空间B不是度量空间，即所谓“定性”。也就是说，在分类问题中，只有分类“正确”与“错误”之分，至于错误时是将Class 5分到Class 6，还是Class 7,并没有区别，都是在error counter上+1
（内容基于网络参考后梳理，用于个人学习，如有侵权，请留言）
