1.3 机器学习任务分类关卡
1.3 机器学习任务分类关卡
任务分类考点：给定业务描述判断监督、无监督、强化学习，以及分类与回归、聚类与降维的细分。通关标准：半分钟内完成归类并说出判断依据。本章收官关，产出"任务判别决策卡"，直接决定下一编队每道题的入手方向。
第一波攻击：关卡题目
关卡一（单选）：电商平台根据用户历史购买记录（带商品类目标签）预测用户下一步会买的商品类目，这属于：
A. 无监督学习 B. 监督学习中的分类任务 C. 强化学习 D. 降维任务
关卡二（单选）：把数十万条无标签的客户行为日志划分成若干自然群体，供运营分别制定策略，最合适的问题设定是：
A. 回归 B. 聚类 C. 关联规则之外的分类 D. 强化学习
关卡三（多选）：下列哪些场景天然属于强化学习？
- 围棋对弈程序通过自我对弈提升胜率
- 机器人手臂 trial and error 地学习抓取动作
- 预测明天股价的具体数值
- 推荐系统根据用户即时反馈持续调整展示策略，目标是一个长期收益指标
关卡四（判断）："所有监督学习任务的输出都是离散类别。"这句话对吗？
先攻提示
三条判别轴，按顺序过一遍再落笔：
- 标签轴：训练时有没有"标准答案"陪着数据？有 → 监督；没有 → 无监督；答案延迟到来且以奖励形式出现 → 强化；
- 输出轴：预测目标是离散类别还是连续数值？前者分类，后者回归；
- 反馈轴：决策会影响后续看到的数据、且要优化长期累积奖励吗？是 → 强化学习的标志。
后核：标准解析
关卡一选 B。 有历史记录（特征）也有商品类目标签（答案），预测目标"类目"是离散的，属于监督学习中的分类任务。若改成预测"会花多少钱"，就滑向回归——同一份业务数据，问法一换任务就换，这是出题人最爱用的手法。
关卡二选 B。 日志无标签、目标又是"找出自然群体"，是聚类。D 是强干扰项：虽然运营策略听上去像"决策"，但训练过程中不存在环境反馈与奖励信号。
关卡三选 1、2、4。 三者的公共特征：智能体的动作改变环境状态，反馈以标量奖励延迟给出，优化目标是长期累积奖励。3 是纯预测任务，动作不影响世界，属于回归。
关卡四：错。 监督学习输出离散类别是分类，输出连续数值是回归，两者都是监督学习。反例：房价预测有标准答案（成交价），但输出是连续值。
把判别轴固化成可执行的决策函数，以后拿到需求先跑一遍这个流程：
# 任务判别决策卡：三轴定式（伪代码级 Python） def classify_task(has_label, output_type, delayed_reward, action_affects_env): if delayed_reward and action_affects_env: return "强化学习" if has_label: return "监督学习·分类" if output_type == "离散" else "监督学习·回归" return "无监督学习" cases = [ ("邮件垃圾识别", dict(has_label=True, output_type="离散", delayed_reward=False, action_affects_env=False)), ("房价预测", dict(has_label=True, output_type="连续", delayed_reward=False, action_affects_env=False)), ("客户分群", dict(has_label=False, output_type="无", delayed_reward=False, action_affects_env=False)), ("图片压缩去冗余", dict(has_label=False, output_type="无", delayed_reward=False, action_affects_env=False)), ("下围棋", dict(has_label=False, output_type="无", delayed_reward=True, action_affects_env=True)), ] for name, kw in cases: print(f"{name:<8} → {classify_task(**kw)}") # 输出： # 邮件垃圾识别 → 监督学习·分类 # 房价预测 → 监督学习·回归 # 客户分群 → 无监督学习 # 图片压缩去冗余 → 无监督学习 # 下围棋 → 强化学习
注意"图片压缩去冗余"落进了笼统的"无监督学习"——想再细分聚类还是降维，追加一个问题：输出是"分组"还是"更小的坐标"？ 分组是聚类，换坐标是降维：
# 无监督细分：分组 or 换坐标 def unsupervised_detail(goal): return "聚类" if goal == "分组" else "降维（如主成分分析）" print(unsupervised_detail("分组")) # 聚类 print(unsupervised_detail("换坐标")) # 降维（如主成分分析）
图：任务分类判别流程
复盘：易错点与变式
易错点一：见到"用户行为数据"就条件反射选无监督。行为数据完全可能带标签（是否转化、是否流失），先问标签轴，别被数据类型带跑。
易错点二：把推荐系统一概归为监督学习。离线训练点击率预估模型是监督任务；但"边展示边学习、优化长期留存"的在线设定更接近强化学习（语境决策是标准建模）。同一名词在不同语境下任务类型不同，答题时看清题干设定。
变式一：题干改为"预测用户会买商品类目，但类目有先后的等级结构（如低价到高价的升级路径）"——考序数型目标：本质仍是分类，但损失函数要照顾类别间的次序关系，这会引出第二章的损失函数选型问题。
变式二：面试官追问"半监督学习和自监督学习算哪一类"。高分答法：半监督是"少量标签加大量无标签"的混合训练策略；自监督是从无标签数据里自动构造监督信号（如遮词预测），大模型预训练的基石。两者都是"标签轴"上的工程变通，不打破基本分类框架。
本章通关。任务判别决策卡已经成型，带上它进入机器学习基础编队——那里的每道算法题，第一步都是先亮卡归类。