机器学习建模介绍 (1) -- 分类

机器学习知识图谱：监督学习、无监督学习、半监督学习与强化学习四大流派全景解析

小象实战讲义 · Python数据分析实战

面对纷繁复杂的机器学习算法（从线性回归、决策树到 K-Means 聚类、Q-Learning），建立一个清晰宏观的算法分类认知坐标系是系统掌握机器学习的关键。根据训练数据中是否包含人工标注的**真实标签（Ground Truth Label）**以及与外部环境的交互反馈方式，机器学习主要划分为四大核心流派：监督学习（Supervised Learning）、无监督学习（Unsupervised Learning）、半监督学习（Semi-Supervised Learning） 与 强化学习（Reinforcement Learning）。本节我们将深入剖析各流派的核心问题、输入输出特征与典型算法。

💡 核心导读

• 四大机器学习流派对比矩阵：
  • 监督学习（Supervised）：输入数据包含特征 $X$ 与真实标签 $y$（分为分类与回归）；
  • 无监督学习（Unsupervised）：输入仅有特征 $X$ 无标签（用于聚类、降维与异常检测）；
  • 半监督学习（Semi-Supervised）：海量无标签数据 + 极少量精标数据协同训练；
  • 强化学习（Reinforcement）：智能体（Agent）通过与环境交互试错，最大化累积奖励（Reward）。
• 监督学习两大主线任务：分类（离散标签） vs 回归（连续数值）。

1. 四大流派核心架构与输入输出对比

各流派的数据结构形式与优化目标对比如下：

┌─────────────────────────────────────────────────────────────┐
│                 机器学习四大流派全景矩阵                    │
├─────────────┬──────────────────┬────────────────────────────┤
│ 学习范式    │ 输入数据结构     │ 核心任务与经典算法         │
├─────────────┼──────────────────┼────────────────────────────┤
│ 监督学习    │ 特征 X + 标签 y  │ 分类(SVM/决策树), 回归(OLS)│
│ 无监督学习  │ 仅有特征 X       │ 聚类(K-Means), 降维(PCA)   │
│ 半监督学习  │ 少量 (X, y) + 大量 X | 伪标签传播 (Label Prop)    │
│ 强化学习    │ 状态 S + 奖励 R  │ 试错决策 (DQN, PPO)        │
└─────────────┴──────────────────┴────────────────────────────┘

import numpy as np
import pandas as pd

# 1. 监督学习数据集示例：带标签的客户流失预测
df_supervised = pd.DataFrame({
    "monthly_fee": [58, 128, 88, 38, 158],
    "contract_months": [12, 1, 6, 24, 2],
    "is_churn": [0, 1, 0, 0, 1] # 显式标签 y: 0=留存, 1=流失
})
print("=== 1. 监督学习数据结构 (含显式 y 标签) ===")
print(df_supervised)

# 2. 无监督学习数据集示例：无标签客户行为画像聚类
df_unsupervised = pd.DataFrame({
    "app_usage_hours": [2.5, 8.1, 1.2, 7.5, 0.5],
    "annual_spend": [1200, 8500, 800, 9200, 300]
    # 无任何人工预设的标签，算法需自行寻找群落结构
})
print("\n=== 2. 无监督学习数据结构 (仅有特征 X) ===")
print(df_unsupervised)

2. 监督学习内部两大支柱：分类 vs 回归

判断一个监督任务是分类还是回归，核心在于其目标变量 $y$ 的数学类型是离散类别还是连续实数。

def task_classifier(target_series):
    unique_count = target_series.nunique()
    dtype = target_series.dtype
    
    if dtype == 'object' or unique_count <= 10:
        return f"分类任务 (Classification) - 目标是预测 {unique_count} 个离散类别"
    else:
        return "回归任务 (Regression) - 目标是预测连续数值"

print("=== 3. 任务类型自动判断诊断 ===")
print("• 客户是否流失 is_churn:", task_classifier(df_supervised["is_churn"]))
print("• 房屋售价 price:", task_classifier(pd.Series([120.5, 230.1, 185.6, 320.0, 95.4])))

📝 动手练一练

1. 概念辨析题：以下三个业务场景分别属于机器学习的哪种流派？① 预测明天的最高气温；② 电商用户无标签行为细分分群；③ 自动驾驶汽车控制方向盘转角。

   👉 点击查看参考答案

   参考答案：

   • ① 预测明天最高气温：监督学习中的回归任务（Regression）；
   • ② 电商用户行为细分分群：无监督学习中的聚类任务（Clustering）；
   • ③ 自动驾驶动态试错控制：强化学习（Reinforcement Learning）。

2. 编程练习：编写代码判断给定目标数组 y = np.array([0, 1, 0, 1, 1]) 的类别数量。

   👉 点击查看参考答案

   参考答案：

   import numpy as np
   y = np.array([0, 1, 0, 1, 1])
   classes = np.unique(y)
   print("独立类别清单:", classes)

本章小结

• 全面掌握了监督学习、无监督学习、半监督学习与强化学习的分类标准；
• 深入掌握了监督学习内部“分类（离散目标）”与“回归（连续目标）”的判定界限；
• 建立了根据实际业务需求快速匹配算法流派的思维框架。

📋 行动清单

• 在本地执行示例代码，观察控制台输出并记录关键指标。
• 做好准备，进入下一小节学习《机器学习常用算法(1)：经典分类算法与决策边界》！

—— 小象教研组