分类任务

它是什么

分类任务是让模型把输入判断为一个或多个离散类别。只有两个互斥类别时是二分类，例如“垃圾邮件/正常邮件”；从多个互斥类别中选择时是多分类，例如识别数字 0 到 9；一个样本可以同时属于多个类别时，则是多标签分类。[S1][S2]

为什么需要它

很多业务动作首先需要做类别判断：工单应该进入哪个队列、交易是否需要复核、图片包含哪些对象。分类把这种判断变成可以训练和评估的任务，使团队能分别统计不同错误，而不是只说模型“看起来挺准”。

它如何工作

模型根据输入特征产生每个类别的分数或概率，再通过选择规则给出标签。二分类常用阈值把概率转成正类或负类；提高阈值通常会减少正类预测，同时改变误报和漏报的数量。[S1] 多分类可以选择分数最高的类别，多标签则可为每个类别分别判断。最终仍要把预测与真实标签对照，并按任务选择准确率、精确率、召回率等指标。

必须澄清的误会

分类任务 ≠ 回归任务。 分类的输出是类别，回归的输出是连续数值。预测房价用回归，判断会不会涨价用分类。

分类任务 ≠ 聚类。 分类的类别是人事先定好的，聚类是让算法自己找分组；前者需要标注数据，后者不需要。

真实例子

客服团队要识别“必须两小时内处理”的紧急工单。模型输出紧急概率后，若把阈值设得很低，会捕获更多真正紧急的工单，也会让更多普通工单进入加急队列；阈值太高则相反。团队需要比较漏掉紧急事件和误占人工资源的代价，再决定阈值，而不是默认使用 0.5。

什么时候适合与不适合

适合类别边界能够定义、标签可以稳定复核、预测结果会触发明确动作的任务。分类结果便于接入流程，但类别不平衡时，高准确率可能只是模型总在猜多数类；标签含义变化、类别彼此重叠或错误代价未定义时，单个分数也难以说明模型是否可用。若目标本质上是金额、时间等连续数值，应先考虑回归任务。

亲自试一下

目标是让评价标准对应真实后果。选一个二分类场景，列出真阳性、假阳性、真阴性和假阴性各一个具体结果，再为两类错误分别标注影响。若无法判断哪类错误更重要，就先补充业务决策；若某类样本极少，则记录为什么准确率不足以单独验收。

接下来学什么

先回顾监督学习理解标签如何参与训练，再与回归任务比较输出类型；随后学习AI 评估选择指标，并用泛化能力检查分类器面对新样本时是否仍有效。

来源与修订

二分类、多分类、阈值和指标取舍参考 Google 分类课程 [S1]；分类作为监督学习任务及其泛化背景参考 MIT Press《Deep Learning》机器学习基础章节 [S2]。本文不把任一阈值或指标写成跨场景的固定答案。