کلاسیفایر یک مدل یادگیری ماشینی است که برای پیش‌بینی کلاس یا دسته یک ورودی داده شده استفاده می‌شود. این یک نوع الگوریتم یادگیری نظارت شده است که بر روی داده های برچسب دار آموزش داده می شود که در آن خروجی یک متغیر طبقه بندی شده است. برای مثال، می‌توان از یک طبقه‌بندی برای پیش‌بینی هرزنامه یا ناخواسته بودن ایمیل، بر اساس محتوای ایمیل استفاده کرد.
از سوی دیگر، رگرسیون نوعی الگوریتم یادگیری نظارت شده است که برای پیش بینی یک متغیر پیوسته استفاده می شود. برای مدل سازی رابطه بین یک متغیر وابسته و یک یا چند متغیر مستقل استفاده می شود. به عنوان مثال، یک مدل رگرسیون می تواند برای پیش بینی قیمت یک خانه بر اساس اندازه، مکان و سایر ویژگی های آن استفاده شود.
به طور خلاصه، تفاوت اصلی بین یک طبقه‌بندی کننده و رگرسیون، نوع متغیر خروجی است که آنها پیش‌بینی می‌کنند. طبقه‌بندی‌کننده‌ها متغیرهای طبقه‌بندی را پیش‌بینی می‌کنند، در حالی که مدل‌های رگرسیون متغیرهای پیوسته را پیش‌بینی می‌کنند. هم طبقه‌بندی‌کننده‌ها و هم مدل‌های رگرسیون را می‌توان برای پیش‌بینی استفاده کرد، اما بسته به نوع متغیری که می‌خواهید پیش‌بینی کنید، در موقعیت‌های مختلف استفاده می‌شوند.