《大数据架构和算法实现之路：电商系统的技术实战》——1.2 分类任务的处理流程...

本节书摘来自华章计算机《大数据架构和算法实现之路：电商系统的技术实战》一书中的第1章，第1.2节，作者 黄 申，更多章节内容可以访问云栖社区“华章计算机”公众号查看。

1.2　分类任务的处理流程

给出分类问题的基本概念之后，下面就来理解分类的关键要素和流程。

• 学习：指计算机通过人类标注的指导性数据，“理解”和“模仿”人类决策的过程。
• 算法模型：分类算法通过训练数据的学习，其计算方式和最后的输出结果，称为模型。通常是指一个做决策的计算机程序及其相应的存储结构，它使得计算机的学习行为更加具体化。常见的模型有朴素贝叶斯（Naive Bayes）、K-最近邻（KNN）、决策树，等等。
• 标注数据：也称为标注样本。由于分类学习是监督式的，对于每个数据对象，除了必要的特征值列表，还必须告诉计算机它属于哪个分类。因此需要事先进行人工的标注，为每个对象指定分类的标签。在前面的水果案例中，对各个水果分别打上“苹果”“甜橙”和“西瓜”的标签就是标注的过程。这一点非常关键，标注数据相当于人类的老师，其质量高低直接决定机器学习的效果。值得注意的是，标注数据既可以作为训练阶段的学习样本，也可以作为测试阶段的预测样本。在将监督式算法大规模应用到实际生产之前，研究人员通常会进行离线的交叉验证（Cross Validation），这种情况会将大部分标注数据用在训练阶段，而将少部分留在测试阶段使用。对于交叉验证，会在后文的效果评估部分做进一步阐述。在正式的生产环境中，往往会将所有的标注数据用于训练阶段，以提升最终效果。
• 训练数据：也称为训练样本。这些是带有分类标签的数据，作为学习算法的输入数据，用于构建最终的模型。根据离线内测、在线实际生产等不同的情形，训练数据会取标注数据的子集或全集。
• 测试数据：也称为测试样本。这些是不具备或被隐藏了分类标签的数据，模型会根据测试数据的特征，预测其应该具有的标签。在进行离线内测时，交叉验证会保留部分标注数据作为测试之用，因此会故意隐藏其标注值，以便于评估模型的效果。如果是在实际生产中，那么任何一个新预测的对象都是测试数据，而且只能在事后通过人工标注来再次验证其正确性。
• 训练：也称为学习。算法模型通过训练数据进行学习的过程。
• 测试：也称为预测。算法模型在训练完毕之后，根据新数据的特征来预测其属于哪个分类的过程。

图1-2将如上的基本要素串联起来，展示了分类学习的基本流程。

理解了这些要素和分类过程之后，可以发现，除了人工标注之外，最为核心的就是分类的算法了。接下来，我们再来看看几个常用的分类算法。