【算法解析1/5】分类任务深度拆解：常用算法、评估指标、混淆矩阵与实战思考 | 准确率、精确率、召回率、F1分数、ROC-AUC？ | TP、FP、FN、TN？| 支持向量机、朴素贝叶斯、神经网络？

注：本系列将有五部分，分别对应五大机器学习任务类型，包括：
1. 分类（Classification）、2. 回归（Regression）、3. 聚类（Clustering）、4. 降维（Dimensionality Reduction）以及 5. 强化学习（Reinforcement Learning）
此文含大量干货，建议收藏方便以后再读！

大家好，我是爱酱。继上一篇五大机器学习任务类型概览，以及之前探讨如何为不同任务选择合适的机器学习算法后，今天我们深入第一大类任务——分类任务（Classification）的完整介绍、其核心应用及算法分析。分类问题是机器学习领域最常见、应用最广的任务之一，无论是垃圾邮件识别、疾病诊断、图片识别，还是金融风控、客户分群，分类模型都扮演着核心角色。本篇将系统梳理分类任务的常用评估指标、主流算法、实际应用场景及实战建议，帮助你建立清晰的知识体系。

注：本文章颇长近4500字，建议先收藏再慢慢观看。新频道发展不易，你们的每个赞、收藏跟转发都是我继续分享的动力！

---

一、什么是分类任务？

分类任务的目标是将输入数据分配到预定义的类别中。最基础的有两类（如垃圾邮件/正常邮件），也可以有多类（如手写数字识别0-9）。分类任务属于监督学习（Supervised Learning），即训练数据带有明确的标签。

• 二分类（Binary Classification）：只有两个类别（如肿瘤良性/恶性）。

• 多分类（Multi-class Classification）：类别数大于两类（如识别动物是猫、狗、鸟还是大象）。

• 多标签分类（Multi-label Classification）：每个样本可属于多个类别（如一张图片同时有“山”和“水”标签）。

• 不平衡分类（Imbalanced Classification）：某些类别样本远多于其他类别（如诈骗识别）。

---

二、分类任务的主流评估指标

在机器学习分类任务中，科学选择和理解评估指标至关重要。下面详细介绍常用的分类评估指标及其算法公式，帮助你在实际项目中更好地分析和优化模型表现。

1. 混淆矩阵（Confusion Matrix）

混淆矩阵是分类模型评估的最基础工具，因为很多指标都是以其衍生出来的。
混淆矩阵包括四个核心元素：

• TP（True Positive）：实际为正例，预测也为正例（真阳性）

• TN（True Negative）：实际为负例，预测也为负例（真阴性）

• FP（False Positive）：实际为负例，预测为正例（假阳性）

• FN（False Negative）：实际为正例，预测为负例（假阴性）

  	实际为正例	实际为负例
  预测为正例	TP	FP
  预测为负例	FN	TN

  这里也附上在以前的文章里概括过的图片例子：猫猫vs狗狗（猫猫是预设目标，即阳性）