分类与回归

1. 分类（Classification）

定义

分类是监督学习中的一种任务，其目标是将输入数据分配到预定义的类别中。例如，判断一封电子邮件是垃圾邮件还是正常邮件，或者判断一张图片中的动物是猫还是狗。

应用场景

• 医疗诊断：根据患者的症状和检查结果，判断患者是否患有某种疾病。比如医生通过分析患者的体温、血液指标、影像检查等数据，判断患者是否感染流感。
• 信用评估：根据客户的信用历史和个人信息，评估客户的信用风险。银行在审批信用卡时，会根据申请人的收入、负债情况、还款记录等信息，判断其信用等级是高、中还是低。
• 日常购物推荐：电商平台根据用户的浏览历史、购买记录、收藏偏好等信息，将用户分类为不同的消费群体，然后为每个群体推荐合适的商品。例如，经常购买运动装备的用户可能会被归为运动爱好者群体，平台就会向他们推荐新的运动产品。

常见算法

• 逻辑回归（Logistic Regression）：虽然名字中有“回归”，但它是一种常用的分类算法，用于二分类问题。
• 决策树（Decision Tree）：通过构建树形结构进行分类决策。
• 支持向量机（Support Vector Machine, SVM）：在高维空间中寻找最优的分类超平面。

2. 回归（Regression）

定义

回归也是监督学习中的一种任务，其目标是预测一个连续的数值输出。例如，预测房价、股票价格等。

应用场景

• 房地产市场：根据房屋的面积、位置、房龄等特征，预测房屋的价格。比如，在一个小区中，面积越大、房龄越新、周边配套设施越完善的房子，价格往往越高。
• 天气预报：根据气象数据，预测未来的气温、降水量等。气象部门通过分析大气压力、湿度、风速等数据，预测未来几天的天气情况。
• 日常消费预测：商家根据历史销售数据、季节因素、促销活动等信息，预测未来一段时间内的销售额。例如，一家咖啡店会根据过往的销售记录和节假日信息，预测在即将到来的情人节期间的咖啡销量。

常见算法

• 线性回归（Linear Regression）：假设输入特征和输出之间存在线性关系。
• 岭回归（Ridge Regression）：在线性回归的基础上加入正则化项，防止过拟合。
• 随机森林回归（Random Forest Regression）：基于决策树的集成学习算法，用于回归任务。

3. 分类与回归的对比

特征	分类	回归
输出类型	离散的类别标签	连续的数值
评估指标	准确率、召回率、F1值等	均方误差（MSE）、平均绝对误差（MAE）等
应用场景	需要进行类别判断的场景	需要预测数值的场景