1. 為什麽不能用回歸代替分類？

　　　　答：因為回歸與分類對模型評估的好壞定義不一樣。當訓練集出現異常點時，回歸會盡量去擬合這些異常點，增加模型魯棒性。但是在分類中，異常點的出現會使得分割界偏離最優位置，原本可能並不是這個類別的異常點當成該類別進行模型訓練，導致模型不準確。

　　 2. 分類問題，預測隨機抓一個神奇寶貝屬於某一類別的概率（樸素貝葉斯公式）：

　　　　p（c1）表示一群神奇寶貝中，類別1的寶貝概率（占比）。p(x|c1)表示，在類別1中抓一只神奇寶貝是x的概率，這個沒有直接告訴。視頻中，老師以水系寶貝為例，以防禦力和特殊防禦力為兩個坐標軸，將水系寶貝在這個坐標軸中是按照高斯分布進行分布的。從手中已有的神奇寶貝資料（什麽東西<400），可以擬合出一個高斯分布函數，即求得高斯分布的方差和平均值，然後放入新的神奇寶貝，得到一個新的高斯函數值，這個函數值與從該類別中獲取該寶貝的概率成正比，因此看成p（x|c1）。

　　　　上面提到的用一個高斯分布函數代替概率值，其實相當於該種類寶貝的分布概率是一個高斯分布。因為高斯分布有一個中心點，當寶貝分布位置越靠近這個點，它就越可能屬於這個類別，而越靠近這個中心點的高斯函數值越大，也就表示高斯函數值越大屬於該類別的概率就越大。

　　　　怎樣得到一個最好的高斯分布函數來擬合訓練集？

李宏毅-分類