回归任务

它是什么

回归任务是根据输入特征预测数值型目标，例如价格、需求量、处理时长或温度。输出通常位于连续尺度上，不是从有限类别中选择一个标签。线性回归是常见入门模型，但回归任务也可以使用树模型、神经网络等非线性方法。[S1][S2]

为什么需要它

很多决策不仅需要知道“会不会发生”，还需要估计“有多少”或“要多久”。数值预测可以支持库存准备、排班和预算，但前提是误差的单位和后果清楚。预测差 10 分钟与差 10 万元不能用同一句“模型准确”概括。

它如何工作

模型接收特征并输出一个数值，再用损失函数衡量预测值与真实值的差异。训练过程调整参数以降低损失。[S1][S2] 平均绝对误差直接平均误差大小，均方误差会更重地惩罚较大的偏差；选择不同损失，会改变模型更重视哪些错误。评估时还应按时间、数值区间或业务群组拆分结果。

真实例子

配送团队根据距离、时段、天气和订单量预测送达分钟数。整体平均误差可能只有 8 分钟，但若高峰期经常低估 30 分钟，用户承诺仍会失效。团队需要单独检查高峰和长距离订单，并决定高估与低估是否具有相同代价。

什么时候适合与不适合

适合目标是可测量数值、历史记录与未来条件有可学习关系的场景。回归能给出比类别更细的量级信息，但对异常值、量纲、缺失条件和分布外输入敏感。若标签实际上只是人为编号的类别，数字之间没有可比较距离，就不应当作回归；若预测超出训练数据范围，也不能默认模型会可靠外推。

亲自试一下

目标是判断平均误差是否隐藏关键失败。选 10 组真实值与预测值，计算每组误差的绝对值，再分别观察整体平均、最大误差和最重要场景的误差。若同一个平均值可以对应完全不同的最坏结果，就写出验收时还需要限制哪个区间或哪类方向的误差。

接下来学什么

先回顾监督学习理解数值标签，再与分类任务区分离散输出；接着学习损失函数和梯度下降理解模型如何调整，最后用泛化能力检查未见数据表现。

来源与修订

数值预测、线性模型、参数和损失基础参考 Google 线性回归课程 [S1]；回归任务、训练误差与泛化框架参考 MIT Press《Deep Learning》机器学习基础章节 [S2]。本文用线性回归解释机制，但不把它等同于全部回归方法。