识别问题类型：分类、回归、聚类、排序
本步 5 个知识点
学习目标
能把 AI 想法归类，并说明它需要什么数据和如何验收。
先记这一句话
先把需求改写成“根据 X，预测 Y”。Y 是类别，多半是分类；Y 是数字，多半是回归；Y 说不清，就先别建模。
知识点清单与业务判断
先会用，再理解
1. 监督学习
知识点讲解用带答案的历史样本训练模型，分类和回归通常属于监督学习。
知识点详解
核心定义与工作原理
核心概念「监督学习」：监督学习用带答案的样本学习输入到输出的映射。
放到本步里理解这一点属于「识别问题类型：分类、回归、聚类、排序」里的基础判断单元。你学习它，不是为了背术语，而是为了在真实项目里知道该问什么、看什么证据、用什么方式验证。
业务判断方法与适用边界
先问三个问题：第一，这个概念对应的业务对象是什么？第二，当前流程里有没有数据、规则或样本能支撑判断？第三，判断错了会带来什么成本？
- 什么时候该用：当业务目标清楚、输入材料可获得、输出结果能被检查时，监督学习 才能变成可落地的 AI 能力。
- 什么时候要谨慎：适合审批、预测、分类、评分等历史结果明确的任务。
- 怎么证明学会：你能用自己的业务举 1 个正例和 1 个反例，并说明为什么这个场景适合或不适合使用它。
常见误区与落地产物
容易踩坑只记住“用带答案的历史样本训练模型，分类和回归通常属于监督学习。”，但没有把它翻译成业务判断标准。真正有用的学习，是能把概念落到数据、流程、指标、风险和责任人上。
学完要产出一张“适合 / 不适合用 AI”的判断表，写清输入、输出、数据、指标和风险。
一句话总结：本模块的核心不是会背模型名，而是能把业务问题翻译成可训练、可验证、可上线的判断题。 对「监督学习」来说，最低要求是：能讲清它解决什么问题、依赖什么条件、不能覆盖什么风险。
业务判断方法
问历史数据里是否有可复用答案；没有答案就先补标签或改成探索分析。
2. 无监督学习
知识点讲解没有标准答案，目标是发现结构、相似群体或异常模式。
知识点详解
核心定义与工作原理
核心概念「无监督学习」：无监督学习没有标准答案，重点是发现相似群体、结构、异常或潜在模式。
放到本步里理解这一点属于「识别问题类型：分类、回归、聚类、排序」里的基础判断单元。你学习它，不是为了背术语，而是为了在真实项目里知道该问什么、看什么证据、用什么方式验证。
业务判断方法与适用边界
先问三个问题：第一，这个概念对应的业务对象是什么？第二，当前流程里有没有数据、规则或样本能支撑判断？第三，判断错了会带来什么成本？
- 什么时候该用：当业务目标清楚、输入材料可获得、输出结果能被检查时，无监督学习 才能变成可落地的 AI 能力。
- 什么时候要谨慎：适合探索用户分群、异常检测、相似内容归类，不适合直接承诺“正确答案”。
- 怎么证明学会：你能用自己的业务举 1 个正例和 1 个反例，并说明为什么这个场景适合或不适合使用它。
常见误区与落地产物
容易踩坑只记住“没有标准答案，目标是发现结构、相似群体或异常模式。”，但没有把它翻译成业务判断标准。真正有用的学习，是能把概念落到数据、流程、指标、风险和责任人上。
学完要产出一张“适合 / 不适合用 AI”的判断表，写清输入、输出、数据、指标和风险。
一句话总结：本模块的核心不是会背模型名，而是能把业务问题翻译成可训练、可验证、可上线的判断题。 对「无监督学习」来说，最低要求是：能讲清它解决什么问题、依赖什么条件、不能覆盖什么风险。
业务判断方法
确认业务是否接受“辅助发现”，并定义后续如何验证收益。
3. 分类
知识点讲解预测有限类别，比如是否流失、是否违规、属于哪种工单。
知识点详解
核心定义与工作原理
核心概念「分类」：分类是把对象分到离散类别里，例如通过/拒绝、高风险/低风险。
放到本步里理解这一点属于「识别问题类型：分类、回归、聚类、排序」里的基础判断单元。你学习它，不是为了背术语，而是为了在真实项目里知道该问什么、看什么证据、用什么方式验证。
业务判断方法与适用边界
先问三个问题：第一，这个概念对应的业务对象是什么？第二，当前流程里有没有数据、规则或样本能支撑判断？第三，判断错了会带来什么成本？
- 什么时候该用：当业务目标清楚、输入材料可获得、输出结果能被检查时，分类 才能变成可落地的 AI 能力。
- 什么时候要谨慎：先确认类别之间是否互斥、错误成本是否不同，再决定阈值和验收指标。
- 怎么证明学会：你能用自己的业务举 1 个正例和 1 个反例，并说明为什么这个场景适合或不适合使用它。
常见误区与落地产物
容易踩坑只记住“预测有限类别，比如是否流失、是否违规、属于哪种工单。”，但没有把它翻译成业务判断标准。真正有用的学习，是能把概念落到数据、流程、指标、风险和责任人上。
学完要产出一张“适合 / 不适合用 AI”的判断表，写清输入、输出、数据、指标和风险。
一句话总结：本模块的核心不是会背模型名，而是能把业务问题翻译成可训练、可验证、可上线的判断题。 对「分类」来说，最低要求是：能讲清它解决什么问题、依赖什么条件、不能覆盖什么风险。
业务判断方法
确认类别边界是否清晰、每类样本是否足够、错分成本是否可接受。
4. 回归
知识点讲解预测连续数值，比如销量、金额、时长和等待时间。
知识点详解
核心定义与工作原理
核心概念「回归」：回归预测连续数值，例如价格、时长、概率、销量。
放到本步里理解这一点属于「识别问题类型：分类、回归、聚类、排序」里的基础判断单元。你学习它，不是为了背术语，而是为了在真实项目里知道该问什么、看什么证据、用什么方式验证。
业务判断方法与适用边界
先问三个问题：第一，这个概念对应的业务对象是什么？第二，当前流程里有没有数据、规则或样本能支撑判断？第三，判断错了会带来什么成本？
- 什么时候该用：当业务目标清楚、输入材料可获得、输出结果能被检查时，回归 才能变成可落地的 AI 能力。
- 什么时候要谨慎：重点不是只看平均误差，还要看大错是否会影响业务决策。
- 怎么证明学会：你能用自己的业务举 1 个正例和 1 个反例，并说明为什么这个场景适合或不适合使用它。
常见误区与落地产物
容易踩坑只记住“预测连续数值，比如销量、金额、时长和等待时间。”，但没有把它翻译成业务判断标准。真正有用的学习，是能把概念落到数据、流程、指标、风险和责任人上。
学完要产出一张“适合 / 不适合用 AI”的判断表，写清输入、输出、数据、指标和风险。
一句话总结：本模块的核心不是会背模型名，而是能把业务问题翻译成可训练、可验证、可上线的判断题。 对「回归」来说，最低要求是：能讲清它解决什么问题、依赖什么条件、不能覆盖什么风险。
业务判断方法
先定义可接受误差范围，误差大小要能对应业务影响。
5. 聚类与排序
知识点讲解聚类找相似对象，排序按价值或相关性排列。
知识点详解
核心定义与工作原理
核心概念「聚类与排序」：聚类找相似群体，排序决定先看谁、先处理谁、先推荐谁。
放到本步里理解这一点属于「识别问题类型：分类、回归、聚类、排序」里的基础判断单元。你学习它，不是为了背术语，而是为了在真实项目里知道该问什么、看什么证据、用什么方式验证。
业务判断方法与适用边界
先问三个问题：第一，这个概念对应的业务对象是什么？第二，当前流程里有没有数据、规则或样本能支撑判断？第三，判断错了会带来什么成本？
- 什么时候该用：当业务目标清楚、输入材料可获得、输出结果能被检查时，聚类与排序 才能变成可落地的 AI 能力。
- 什么时候要谨慎：排序通常更贴近业务动作，因为资源有限时必须决定优先级。
- 怎么证明学会：你能用自己的业务举 1 个正例和 1 个反例，并说明为什么这个场景适合或不适合使用它。
常见误区与落地产物
容易踩坑只记住“聚类找相似对象，排序按价值或相关性排列。”，但没有把它翻译成业务判断标准。真正有用的学习，是能把概念落到数据、流程、指标、风险和责任人上。
学完要产出一张“适合 / 不适合用 AI”的判断表，写清输入、输出、数据、指标和风险。
一句话总结：本模块的核心不是会背模型名，而是能把业务问题翻译成可训练、可验证、可上线的判断题。 对「聚类与排序」来说，最低要求是：能讲清它解决什么问题、依赖什么条件、不能覆盖什么风险。
业务判断方法
聚类要问“谁会用分群”，排序要问“排前带来什么收益”。
10 分钟练习
写下 3 个 AI 想法，每个改成“根据 X，预测 Y”。Y 写不出来就标记为目标不清。
老师怎么判断你学会了
提交作业交 3 个 AI 想法的问题类型表，包含 X、Y、类型和验收方式。
- 合格能正确区分分类、回归、聚类、排序，并写出每个任务的 Y。
- 优秀能指出目标不清、标签不足或暂不适合建模的想法，并给出改法。
- 没通过只按技术名词分类，但说不清模型最终要预测什么。