企业官网建设流程全解析

什么的分类任务和回归任务

分类

回归

1. 分类任务 —— 像“给水果贴标签”

问题：你面前有一个水果，你要判断它是苹果、香蕉还是橘子。

怎么做：
你瞅一眼它的颜色、形状、大小——

• 红色的、圆圆的 → 苹果
• 黄色的、弯弯的 → 香蕉
• 橙色的、圆圆的 → 橘子

结果：说出一个类别，比如“这是苹果”。
不会说“这是70%的苹果”或“这是一个2.5的苹果”。

核心特点：

• 答案是固定的几个选项之一（苹果/香蕉/橘子）。
• 像做选择题。

生活中的例子：

• 判断一封邮件是垃圾邮件还是正常邮件。
• 人脸识别：这是小明、小红、还是陌生人。

2. 回归任务 —— 像“猜菜的温度”

问题：你刚端上一碗汤，你要猜它有多少摄氏度。

怎么做：

• 看到汤冒热气，手靠近觉得很烫 → 大概80度。
• 如果只是温热，手能一直摸碗边 → 大概40度。

结果：说一个具体的数字，比如“大概75度”。
可以是一个连续的数字（72.3度、75度、80.5度），而不是只分“烫、温、凉”三种。

核心特点：

• 答案是一个数字，而且可以是小数，范围很大。
• 像做填空题，要填出具体数值。

生活中的例子：

• 预测明天最高气温是31.5度。
• 根据房子面积、卧室数，预测房价是250万元。

3. 一句话区分

• 分类：问“是哪一个？” → 答案从几个名字里挑一个。
• 回归：问“数值是多少？” → 答案是一个数字。

再举个极端简化的例子：

• 看一个人的身高（175cm）→ 判断他是“高、中、矮” → 分类。
• 看一个人的长相和体重 → 猜他具体多少厘米（如175.3cm） → 回归。

4. 一个小注意（不用记，仅了解）

有时候容易混：

• 如果选项是“0~10岁、11~20岁、21岁以上”，那是分类（几个年龄段）。
• 如果直接预测“27岁”，那是回归（具体数字）。

只要记住：

分类是选标签，回归是算数字。

分类任务

importtorchimporttorch.nnas nnimporttorch.optimas optimimportmatplotlib.pyplotas pltimportnumpyas np #==========解决中文乱码（复制这5行）==========plt.rcParams['font.sans-serif']=['SimHei']# 用来正常显示中文标签 plt.rcParams['axes.unicode_minus']=False # 用来正常显示负号 #============================================#----------1.生成模拟数据----------# 假设有500个人 np.random.seed(42)n_samples=500# 健康水平(0~10)，财富水平(0~10)health=np.random.rand(n_samples)*10wealth=np.random.rand(n_samples)*10# 规则：如果 健康+财富>10分，则幸福（标签=1），否则不幸福（标签=0） # 这样既有规律，又有少量边界噪音，更真实些 happiness=(health+wealth>10).astype(float)# 故意加5%的随机错误标签，让数据不那么完美 noise_mask=np.random.rand(n_samples)<0.05happiness[noise_mask]=1-happiness[noise_mask]# 转换成 PyTorch 张量 X=torch.tensor(np.column_stack((health,wealth)),dtype=torch.float32)y=torch.tensor(happiness,dtype=torch.float32).reshape(-1,1)print(f"数据大小: {X.shape} 标签大小: {y.shape}")#----------2.定义神经网络（简单到不行）----------classSimpleClassifier(nn.Module):def__init__(self):super().__init__()# 输入:2个特征（健康、财富） # 隐藏层:4个神经元 # 输出:1个神经元（0~1之间的概率） self.net=nn.Sequential(nn.Linear(2,4),nn.ReLU(),nn.Linear(4,1),nn.Sigmoid()# 最后压到0~1之间，表示幸福的概率)defforward(self,x):returnself.net(x)model=SimpleClassifier()#----------3.损失函数和优化器----------# 二分类用 BCE 损失（Binary Cross Entropy） criterion=nn.BCELoss()optimizer=optim.Adam(model.parameters(),lr=0.1)#----------4.训练----------epochs=500forepoch inrange(epochs):# 前向传播 outputs=model(X)loss=criterion(outputs,y)# 反向传播优化 optimizer.zero_grad()loss.backward()optimizer.step()if(epoch+1)%100==0:print(f"Epoch {epoch + 1}/{epochs}, Loss: {loss.item():.4f}")#----------5.评估准确率----------with torch.no_grad():predicted=model(X)predicted_class=(predicted>=0.5).float()accuracy=(predicted_class==y).float().mean()print(f"\n模型在训练集上的准确率: {accuracy.item() * 100:.1f}%")#----------6.可视化结果（画个区域图）----------defpredict_grid(health_grid,wealth_grid):grid_points=np.column_stack((health_grid.ravel(),wealth_grid.ravel()))grid_tensor=torch.tensor(grid_points,dtype=torch.float32)with torch.no_grad():probs=model(grid_tensor).numpy()returnprobs.reshape(health_grid.shape)# 生成密集网格用于画图 h_grid,w_grid=np.meshgrid(np.linspace(0,10,200),np.linspace(0,10,200))z_grid=predict_grid(h_grid,w_grid)plt.figure(figsize=(8,6))# 画决策区域（红色=不幸福，绿色=幸福） plt.contourf(h_grid,w_grid,z_grid,levels=20,cmap='RdYlGn',alpha=0.7)# 画原始数据点 plt.scatter(health[happiness==0],wealth[happiness==0],color='red',label='不幸福',alpha=0.5,edgecolors='k')plt.scatter(health[happiness==1],wealth[happiness==1],color='green',label='幸福',alpha=0.5,edgecolors='k')plt.xlabel('健康水平 (0~10)',fontsize=12)plt.ylabel('财富水平 (0~10)',fontsize=12)plt.title('幸福分类任务（健康 vs 财富）',fontsize=14)plt.legend()plt.colorbar(label='预测幸福的概率')plt.grid(alpha=0.3)plt.show()