AI：机器学习模型 - 分类

机器学习分类：从理论到实战详解

简介

机器学习分类是监督学习的核心任务之一，旨在根据输入数据的特征将其划分到预定义的类别中。其应用场景广泛，在各个领域都发挥着重要作用：

• 二分类：如垃圾邮件检测（0/1分类），系统需判断每封邮件是否为垃圾邮件；疾病诊断（患病/健康），医生借助相关指标判断患者是否患病。
• 多类别分类：像手写数字识别（0 - 9分类），计算机要准确识别手写的单个数字；新闻文本分类（体育/科技/政治等），可帮助用户快速筛选感兴趣的新闻。
• 多标签分类：以图像标注为例，需同时识别“猫”“草地”“阳光”等多个标签，为图像赋予更丰富的语义信息。

分类模型通过构建特征与类别间的映射关系，帮助解决实际问题。例如，在临床研究中可利用XGBoost预测糖尿病并发症风险，为医生提供决策支持；也可通过K - means聚类发现患者亚型，实现更精准的治疗。

---

阈值与混淆矩阵

阈值（Classification Threshold）

阈值是将模型输出的概率值转换为类别标签的临界点。例如：

• 在垃圾邮件分类中，若阈值设为0.5，则概率≥0.5的邮件判为垃圾邮件。不同的阈值设置会对分类结果产生影响。当调整阈值时，可平衡误报（FP）与漏报（FN）的代价。例如，阈值升高时，被判定为正类（垃圾邮件）的样本会减少，从而使误报（将正常邮件误判为垃圾邮件）减少，但可能会导致漏报（将垃圾邮件误判为正常邮件）增加。

混淆矩阵（Confusion Matrix）

混淆矩阵是评估分类性能的N×N表格，以二分类为例：

实际\预测	正例	负例
正例	TP（真阳）	FN（假阴）
负例	FP（假阳）	TN（真阴）

• 应用场景：在分析模型在类别不平衡数据中的表现时非常有用，例如罕见病诊断。由于罕见病患者在总体人群中占比极小，如果仅使用准确率评估模型，可能会得出模型性能良好的错误结论，而混淆矩阵可以更细致地展示模型在不同类别上的分类情况。
• 关键结论：对角线元素（TP、TN）反映正确分类，非对角线（FP、FN）揭示错误类型。通过观察混淆矩阵，我们可以清晰地看到模型在哪些地方容易出错，从而有针对性地进行改进。

---

准确率、召回率、精确率与F1分数

公式与定义

• 准确率（Accuracy）：表示正确分类样本占总样本的比例，计算公式为 $Accuracy=\frac{TP+TN}{TP+TN+FP+FN}$，该指标适用于样本类别分布较为均衡的数据集。如果数据集类别不平衡，准确率可能会产生误导。例如，在一个疾病诊断数据集中，健康人群占比99%，患病者占比1%，即使模型将所有样本都预测为健康，准确率也能达到99%，但这显然不能说明模型性能良好。
• 召回率（Recall/TPR）：指实际正例中被正确识别的比例，公式为 $Recall=$