著名设计案例网站网络优化工程师是干什么的

✅ 今日目标

• 理解分类（Classification）与回归（Regression）的本质区别
• 掌握两种任务的典型使用场景
• 学会根据任务类型选择合适的模型
• 了解每类模型对应的评估指标

---

📘 一、监督学习的两大任务类型

任务类型	输出结果	典型问题	示例
分类（Classification）	离散值（类标）	哪一类？	是否及格？是否点击广告？
回归（Regression）	连续值（实数）	预测值是多少？	房价预测、成绩分数

---

🧪 二、任务类型示例（Python 实践）

分类任务示例：

# 分类：预测学生是否及格（0 或 1）
y_class = [0, 1, 1, 0, 1, 1, 0]

回归任务示例：

# 回归：预测学生具体分数（连续值）
y_reg = [59.5, 85.2, 90.1, 62.0, 74.8]

---

🧮 三、模型适用对比

模型	分类	回归
Logistic 回归	✅	❌
线性回归	❌	✅
决策树	✅	✅
随机森林	✅	✅
SVM	✅	✅（需配置）
KNN	✅	✅
XGBoost / LightGBM	✅	✅

---

📊 四、评估指标对比

指标类型	分类任务	回归任务
主要指标	准确率（accuracy） 精确率 / 召回率 / F1	均方误差（MSE） 平均绝对误差（MAE） R²
可视化	混淆矩阵、ROC曲线	拟合曲线、残差图
推荐工具	classification_report()	mean_squared_error() / r2_score()

---

💡 五、任务识别技巧

当你拿到一个数据问题时，可以问自己：

• 目标变量是类别还是数值？
• 是判断“是否……”，还是预测“多少……”？
• 标签值有多少种？是整数编码的类别，还是连续的数值？

---

🔧 六、实践建议

1. 自构造一个小型分类与回归数据集

2. 分别使用逻辑回归与线性回归模型进行建模

3. 输出评估结果（准确率 / 均方误差）

4. 可视化预测结果与真实值对比（选做）

   # 分类 vs 回归任务演示from sklearn.linear_model import LogisticRegression, LinearRegression
   from sklearn.model_selection import train_test_split
   from sklearn.metrics import classification_report, accuracy_score, mean_squared_error, r2_score
   import numpy as np
   import matplotlib.pyplot as pltplt.rcParams['font.family'] = 'Arial Unicode MS'  # Mac 用户可用
   plt.rcParams['axes.unicode_minus'] = False# 构造数据
   np.random.seed(42)
   score_class = np.random.randint(40, 100, 100)
   is_pass = (score_class >= 60).astype(int)
   score_reg = score_class + np.random.normal(0, 5, 100)# 分类任务
   X_class = score_class.reshape(-1, 1)
   y_class = is_pass
   Xc_train, Xc_test, yc_train, yc_test = train_test_split(X_class, y_class, test_size=0.2, random_state=0)clf = LogisticRegression()
   clf.fit(Xc_train, yc_train)
   y_pred_class = clf.predict(Xc_test)print("=== 分类评估 ===")
   print("准确率：", accuracy_score(yc_test, y_pred_class))
   print(classification_report(yc_test, y_pred_class))# 回归任务
   X_reg = score_class.reshape(-1, 1)
   y_reg = score_reg
   Xr_train, Xr_test, yr_train, yr_test = train_test_split(X_reg, y_reg, test_size=0.2, random_state=0)reg = LinearRegression()
   reg.fit(Xr_train, yr_train)
   y_pred_reg = reg.predict(Xr_test)print("\n=== 回归评估 ===")
   print("MSE:", mean_squared_error(yr_test, y_pred_reg))
   print("R²:", r2_score(yr_test, y_pred_reg))# 可视化回归结果
   plt.scatter(Xr_test, yr_test, color='blue', label='真实值')
   plt.plot(Xr_test, y_pred_reg, color='red', label='预测值')
   plt.title("回归拟合示意图")
   plt.xlabel("原始成绩")
   plt.ylabel("预测成绩")
   plt.legend()
   plt.tight_layout()
   plt.show()
   

   运行输出：
   

   === 分类评估 ===
   准确率： 1.0precision    recall  f1-score   support0       1.00      1.00      1.00         71       1.00      1.00      1.00        13accuracy                           1.00        20macro avg       1.00      1.00      1.00        20
   weighted avg       1.00      1.00      1.00        20=== 回归评估 ===
   MSE: 20.031221042762812
   R²: 0.9221734051498227
   

---

🧾 今日总结

内容	分类任务	回归任务
输出	类别标签（0/1）	连续实数值
代表模型	Logistic 回归、树	线性回归、树
核心指标	Accuracy、F1	MSE、R²
常见场景	医疗诊断、信用预测	销量预测、价格估计