我在python中尝试使用监督学习时遇到了一个问题。我有一系列的x，y坐标，我知道它们属于一个数据集中的一个标签。在另一个中，我只有x，y坐标。我将使用一个集合来训练另一个集合，我的方法是监督学习，并使用分类算法（线性判别分析），因为标签的数量是离散的。尽管它们是离散的，但数量很大（n=~80000）。我的问题是，在回归更适合连续标签的情况下，我应该考虑回归而不是分类的标签数量。我使用SciKit作为我的机器学习包，并使用astronml.org的优秀教程作为指南。
这与数字无关。这是关于是否连续。如果你有80000个甚至更多的课程，这并不重要；只要相邻类之间没有相关性（例如类i和i+1），就应该使用分类（而不是回归）。
只有当标签是连续的（例如实数），或者至少当相邻类之间存在相关性时，回归才有意义（例如，当标签显示某个东西的计数时，你可以进行回归，然后将结果四舍五入）。