这三种分类任务，虽然在本质上都是分类，但在建模方式、损失函数设计、输出结构上都有显著差异。我们在建模前必须先明确任务类型，才能选择合适的算法与评估指标。在学习分类之前，很多同学容易把分类和聚类搞混。它们看起来都像是在给数据分组，但本质完全不同。那么同学们知道监督学习与无监督学习的本质差异是什么吗？其实分类，是一种监督学习这意味着我们有大量已知标签的数据。模型的任务就是学习从特征到标签的映射。比如说，我们有1万封邮件，每封都标注了是否是垃圾邮件，模型就在这样的数据上学会如何判断。而聚类，是一种无监督学习它没有标签，没有“标准答案”。模型的目标，是根据样本之间的相似性自动将它们分成几组。例如我们拿到一堆顾客购买记录，但不知道顾客的真实类别，聚类算法会帮我们把相似的行为归到一起，比如价格敏感型、高端偏好型。通俗一点讲分类像是你已经知道每道题的答案，现在你要学会怎么根据题目推理出这个答案。聚类像是你面对一堆没有标签的数据，要自己总结规律和发现结构。这两种方法虽然都会“分组”，但使用时机和技术路径都截然不同。分类更像是“学习已有规则”，而聚类则是“探索未知结构”。