目录
2. 多分类（Multi-class Classification）
四、降维任务（Dimensionality Reduction）
作者：一叶轻舟 | AI应用开发者 & 技术博主
🗓️ 发布时间：2025年6月22日
在进入机器学习领域后，你很快会遇到各种“任务类型”这样的说法，比如分类任务、回归任务、聚类任务、降维任务……
刚开始接触时是不是有点懵？这些任务到底有什么区别？怎么判断一个问题该用哪种方法来解决？
今天这篇文章，我们就来系统梳理机器学习中的几大典型任务类型，每种任务我都会配上简单易懂的例子，让你一看就明白！
一、分类任务（Classification）
1.1 定义
分类是指：根据样本的特征，把它分配到一个具体的类别中。
常用于判断事物属于哪个“标签”或“种类”。
🧪 举例：
判断一封邮件是不是垃圾邮件
判断一个评论是正面还是负面（情感分析）
判断一张图片是猫还是狗
1.2 分类的两种形式
1. 二分类（Binary Classification）
只有两个选项，正例 or 负例。
📌 示例：
肿瘤是良性 or 恶性
用户是否会流失（是 or 否）
常见算法：逻辑回归、支持向量机（SVM）、XGBoost（二分类模式）
2. 多分类（Multi-class Classification）
超过两个类别，每个样本只属于其中之一。
📌 示例：
一张图片是猫、狗、马，三选一
新闻属于“体育”、“财经”还是“娱乐”？
常见算法：Softmax 回归、随机森林、深度神经网络（DNN）
二、回归任务（Regression）
2.1 定义
回归是指：根据已有数据，预测一个连续的数值结果。
📌 简单说：分类预测的是“属于哪一类”，回归预测的是“具体的数值”。
2.2 举例
房价预测（100万 or 120万）
股价趋势分析（明天涨0.5元还是跌0.2元）
用户评分预测（4.7星）
2.3 常用算法：
线性回归（Linear Regression）
决策树回归（Decision Tree Regressor）
XGBoost / LightGBM 回归模式
神经网络（用于复杂非线性问题）
🧠 技术理解：回归的目标是拟合一个函数关系，通常衡量预测与真实之间的“误差”（MSE、MAE等）。
三、聚类任务（Clustering）
3.1 定义
聚类属于无监督学习，它不需要标签数据，模型会自动将样本根据相似性划分为不同组别（簇）。
📌 聚类的目标是：“谁和谁像，就分成一组”。
3.2 举例
电商用户行为聚类（高消费 / 潜力用户 / 活跃型）
图像分割
异常检测（某一组和其他组差异特别大）
3.3 常用算法：
K-Means
DBSCAN（基于密度的聚类）
高斯混合模型（GMM）
四、降维任务（Dimensionality Reduction）
4.1 定义
降维的目标是：减少特征的数量（维度），让模型更轻更快，同时尽可能保留有用信息。
你可以理解为：“把一张高清大图压缩成小图，但不损失太多细节”。
4.2 举例
将100维的数据压缩成2维，方便可视化展示
降噪：过滤掉影响模型效果的“无用特征”
提前清洗数据，让训练效率提高
4.3 常用方法：
主成分分析（PCA）
t-SNE / UMAP（可视化友好）
AutoEncoder（自动编码器）
🧭 小结：任务类型速查表
| 任务类型 | 输入样本 | 输出结果 | 是否监督学习 | 常见应用 |
|---|---|---|---|---|
| 分类 | 特征向量 | 离散标签 | ✔️ 是 | 图像识别、情感分析、垃圾邮件检测 |
| 回归 | 特征向量 | 连续数值 | ✔️ 是 | 房价预测、销售额预测、温度预报 |
| 聚类 | 特征向量 | 类别标签（自动分） | ❌ 否 | 用户分群、异常检测、图像分割 |
| 降维 | 高维特征 | 低维特征表示 | ❌ 否（或半监督） | 数据预处理、可视化、特征压缩 |
五、写在最后：怎么知道用哪种任务？
判断一个问题属于哪个任务类型，其实就看：
你想让模型“输出”什么结果？
想让它判断属于哪个类别？👉 分类
想让它预测一个数值？👉 回归
没有标签，想让它自动找结构？👉 聚类
特征太多，想降噪/提高效率？👉 降维
📚 推荐阅读与学习路径
周志华《机器学习》（理论基础）
吴恩达机器学习课程（Coursera 免费版）
数据集推荐：Titanic（二分类）、Housing（回归）、MNIST（多分类）