数据挖掘基础（一）：分类任务

本文最后更新于 7 个月前，文中所描述的信息可能已发生改变。

分类任务是数据挖掘和机器学习里非常基础的一类问题。 它的目标是根据已有特征，判断一个样本属于哪个类别。

1. 什么是分类 ​

分类就是把对象分到预先定义好的类别里。

比如：

• 邮件是垃圾邮件还是正常邮件。
• 用户是否会流失。
• 商品评论是好评还是差评。
• 图片里是猫还是狗。
• 交易是否存在风险。

这些问题的共同点是：类别是提前知道的。

2. 分类需要什么数据 ​

分类任务通常需要带标签的数据。

比如用户流失预测：

模型通过历史样本学习特征和标签之间的关系，再对新样本做预测。

这里的标签就是答案。

没有标签时，通常就不是监督分类，而可能是聚类等无监督任务。

3. 常见分类模型 ​

常见分类模型包括：

• 逻辑回归。
• 决策树。
• 随机森林。
• 朴素贝叶斯。
• 支持向量机。
• 神经网络。

初学时不用急着背公式，可以先理解它们都在做一件事：

根据训练数据学出一个分类规则。

4. 分类不只是准确率 ​

分类任务不能只看准确率。

比如欺诈交易识别，真实欺诈样本很少。

如果模型把所有交易都判断为正常，准确率可能很高，但完全没有业务价值。

所以还要看：

• 精确率。
• 召回率。
• F1 值。
• 混淆矩阵。

评价指标要结合业务风险。

5. 小结 ​

分类任务可以这样理解：

输入样本特征
-> 模型判断类别
-> 输出预测标签

它适合解决“属于哪一类”的问题。

学习分类时，重点不是只会调用模型，而是要理解标签、特征、评价指标和业务目标之间的关系。