分类#

术语解释#

在机器学习中，分类（Classification）属于监督学习（Supervised Learning），其核心目标是通过学习已有标签的训练数据，构建模型以预测新数据的类别标签（离散值），例如垃圾邮件识别、疾病诊断或图像分类。

模型通过学习输入特征与输出类别之间的映射关系，在特征空间中寻找一个决策边界（Decision Boundary），从而将不同类别的样本分隔开 。

在分类任务中，常见类型有：

• 二分类（Binary Classification）：最简单的形式，判断样本属于两个类别中的哪一个（如：是否为垃圾邮件、是否患病）。

• 多分类（Multi-class Classification）：类别数大于2的情况。常用策略包括 One-vs-all (OvR)，即每次将一个类和剩余类看作二分类任务进行训练

  
  One-vs-all思想

• 多标签分类（Multi-label Classification）：一个样本可以同时属于多个不同的类别 。

出现动机#

分类算法的出现完全是为了解决一种全新的问题：

• 解决线性回归的局限性：线性回归预测的是任意实数，无法有效处理离散类别。即使强行使用线性回归，其预测值也无法准确区分决策边界两边的样本。

• 自动化决策需求：为了处理如图像识别、癌细胞诊断、垃圾邮件过滤等具有明确判定标准但逻辑复杂的现实问题 。

相关术语#

• 分类

• 回归

• 聚类