不，最小化分类损失不会转化为最小化回归误差，也不会产生更好的回归性能。

这是 Measure Theory 的核心租户。回归测量比率、区间或序数尺度上的结果变量。分类在名义尺度上测量结果变量。您总是可以从更复杂的尺度（即比率、区间或序数）到更简单的尺度（即名义）。不能保证返回。这在技术上称为非内射映射。

一种思考方式是，您正在选择一种下采样方案来将数据从回归映射到分类，并且从分类到回归有许多可能的映射。无法保证使用了哪个映射。下采样后，数据必须保留在较低的采样空间中。

我猜你已经从你的数字目标变量中做了一些桶。

我会回答你的问题，因为在正确的桶中（“最小化分类损失”）意味着更接近目标值（“最小化回归误差”）。

嗯，这就是我对它的理解。要评估 ML 性能指标，请考虑以下事项。

对于分类，您可以使用。

Classification Accuracy
Log Loss
Area Under ROC Curve
Confusion Matrix
Classification Report

对于回归，您可以使用。

Mean Absolute Error
Mean Squared Error
R^2

有关所有详细信息，请参阅下面的链接。

https://machinelearningmastery.com/metrics-evaluate-machine-learning-algorithms-python/