学习目标
完成本课后，你将能够：
- 根据目标变量的含义而不是算法名称区分回归与分类。
- 定义预测对象、目标变量、计量单位和预测时间范围。
- 区分数值预测、概率估计、模型评分与最终决策。
- 解释二分类、多分类和多标签分类。
- 理解分类阈值为何取决于任务和错误代价。
- 检查所选任务类型是否真正回答业务问题。
核心思想。 回归与分类的区别在于需要预测哪一种答案。应先定义目标和实际应用场景，再选择算法。
1. 从问题本身开始
选择回归还是分类，不应从算法名称或数据表中的某一列开始，而应先明确人员或系统需要做出什么决策。先问：什么样的答案才有用？ 我们需要估计一个数值、确定一个类别，还是根据预测采取行动？例如，对于一栋建筑，可以预测明天的供热能耗（kWh），判断当前运行状态是否异常，或者选择一个控制指令。前两者分别可能是回归和分类。选择控制指令属于另一个决策问题，不能自动称为分类。
2. 回归：预测一个数值
目标变量 — 模型需要针对每个预测对象和时间范围预测的测量值或标注结果。
回归（Regression） — 目标变量为数值量、模型需要估计其大小的任务。
问题通常是“多少？”“数值有多大？”或“预计是什么数值？”例如：每日能耗（kWh）、室内温度（°C）、维修时长（小时）或用水量（m³）。数值的含义和单位非常重要：只说预测值为 125 并不充分，还需要说明它代表每天 125 kWh。
需要从操作层面定义目标：哪项测量被视为正确答案、按什么时间段汇总，以及预测必须何时可用。如果目标是预测下一天的能耗，所有输入特征都必须在该日开始之前可获得。
3. 分类：确定一个类别
分类（Classification） — 目标变量表示预先定义的类别之一，模型需要将对象分配到相应类别的任务。
问题通常是“对象属于哪一类？”或“事件是否发生？”例如：故障 / 正常、工单类型 A / B / C、泵故障 / 传感器故障 / 网络故障。类别必须有清晰定义和标注规则。如果两位专家对“故障状态”的理解不同，问题首先出在任务定义和标注，而不是算法。
二分类 — 在两个互斥类别之间作出选择。
多分类 — 从三个或更多互斥类别中选择一个类别。
多标签分类 — 当一个对象同时具有多个主题或属性时，为其分配多个标签。
例如，一张服务工单可能同时涉及供暖和电力。这些目标具有不同的结构。
4. 模型究竟输出什么？
必须区分模型输出与使用该输出所作的决策。类别概率 — 模型对对象属于某一类别可能性的估计；它既不是事件必然发生的保证，也不是最终决策。
- 回归模型通常输出目标数值的估计。
- 分类模型可以为每个类别输出置信度或概率估计。
- 随后由规则把评分转换为类别标签，例如选择概率最高的类别，或将事件概率与阈值比较。
概率估计为 0.82，并不意味着事件必然发生。这是模型估计，其解释取决于概率校准和数据质量。“故障”这一标签则是对模型估计应用决策规则后的结果。
5. 阈值与错误代价
分类阈值 — 预先选定的评分边界；当估计值超过该边界时，系统将对象判为正类或触发指定操作。
在二分类中，如果事件概率估计超过选定阈值，系统可以判定为正类。0.5 是常见的起点，但不是普遍规则。如果漏掉危险故障的代价远高于让正常设备接受额外检查，阈值可能需要降低。如果误报会导致昂贵的生产停机，阈值则可能需要提高。不能仅仅为了获得漂亮的指标而选择阈值。阈值应考虑错误后果、检查能力、安全规则和客户要求。分类指标和错误分析将在主题 1.5 中详细学习。
6. 用同一个案例比较任务
假设系统监测一台泵。温度、振动、压力和负载是输入特征，但目标变量取决于具体问题：| 问题 | 目标变量 | 任务定义 |
|---|---|---|
| 距离下一次维护还有多少小时？ | 小时数 | 回归 |
| 是否存在已确认的故障？ | 是 / 否 | 二分类 |
| 检测到哪一种故障？ | 多个类别中的一个 | 多分类 |
| 同时存在什么问题？ | 一组标签 | 多标签分类 |
输入特征可以相同，但任务并不相同。目标答案、获得答案的过程，以及结果的使用方式都可能不同。
7. 练习：检查任务定义
请为每个场景确定任务类型，并明确目标变量及其单位或允许的类别集合。- 预测建筑未来 24 小时的用水量。
- 判断服务工单是否报告了漏水。
- 从供暖、通风、供水、电气中为工单分配一个类别。
- 标记一条工单文本中出现的所有主题。
然后提出五个澄清问题：预测对象是什么；正确答案如何定义；答案对应哪个时间段；预测必须何时可用；收到结果后会采取什么行动？
8. 常见错误与适用边界
- 根据算法名称选择任务。 同一算法家族可能有分类和回归版本。应先定义目标变量。
- 把类别编码当作数值。 1、2、3 可能只是类别代码，并不表示数量关系。
- 混淆概率与决策。 模型估计和操作人员采取的行动是不同阶段。
- 没有定义时间范围。 如果没有明确时间段和特征可用时间，“预测负荷”就是含糊的。
- 类别定义不清。 模糊的类别会导致标注不一致。
选择回归或分类，并不能自动解决因果关系、数据质量、公平性或安全问题。这些都是任务设计和评估中的独立问题。
9. 本课要点
- 回归估计数值目标；分类确定类别。
- 任务类型由目标答案的含义决定，而不是算法名称或数据列的存储格式。
- 类别概率与最终标签不是同一概念。
- 分类阈值应考虑错误代价和实际工作流程。
- 合理的任务定义需要明确预测对象、目标变量、时间范围和结果用途。