在考察算法是否可以用于分类和数值预测时，需要考虑其设计和典型应用场景。以下是对选项的分析：

1. **Neural Network（神经网络）**
- **分类**：神经网络可以用于分类问题（如图像分类、文本分类等），通过输出层的激活函数（如softmax）来实现类别的预测。
- **数值预测**：同样适用于数值预测问题（如房价预测、股票价格预测等），通过使用适当的损失函数（如均方误差）和激活函数（如线性激活）来实现预测。
- **结论**：可以同时用于分类和数值预测。

2. **Decision Tree（决策树）**
- **分类**：广泛用于分类问题，通过构建树结构来对数据进行分类。
- **数值预测**：也可用于数值预测，通过将叶节点的平均值作为预测值，常见于回归场景。
- **结论**：可以同时用于分类和数值预测。

3. **Logistic Regression（逻辑回归）**
- **分类**：专用于分类问题，特别是二分类，通过Sigmoid函数将输出映射到[0,1]区间，作为类别概率。
- **数值预测**：不用于数值预测，因为其输出是概率值而非连续数值。
- **结论**：仅用于分类。

4. **Linear Regression（线性回归）**
- **分类**：不适用于分类问题，专用于数值预测。
- **数值预测**：用于数值预测，通过拟合线性函数来预测连续变量。
- **结论**：仅用于数值预测。

### 正确答案：
- **A: Neural Network**
- **B: Decision Tree**

这两个算法都具备同时用于分类以及数值预测的能力。