当我们说“分类”的时候，我们到底在说什么？

当我们说到机器学习时，一个很高频的词：“分类”，会经常出现，那当我们说“分类”的时候，我们到底在说什么？

我查了很多博客、书籍、资料，提到“分类”，马上就进入“分类算法”的介绍描述，又是KNN(K最近邻算法)，又是朴素贝叶斯等等。当然，可能是因为“分类”太常见了，所以大家都不肖一提。但对我们自己来说，要建立宏伟的“机器学习”能力大厦，一些基础的概念就好似大厦的地基，是必须稳固坚实的。

我们看一看“分类”的原始定义，根据百度百科的定义：

分类是指按照种类、等级或性质分别归类。

这个定义其实隐含有“分类”的2个重要信息：一是“按照种类、等级或性质”，意思是我们事先已经知道了“种类、等级或性质”，即我们知道要分成几类，分成哪些类。例如我们要把收到的电子邮件分类，我们分类之前已经知道要分为2类，一类是“正常邮件”，另一类是“垃圾邮件”。二是分类是个过程，例如将100封电子邮件，分别归类到“正常邮件”和“垃圾邮件”这2个类别名下。

有了这个基本认识，我们再来看一个大家容易忽视的问题：

我们为什么要分类？

先看看如果我们“不分类”有什么问题。今天你上餐馆吃饭，老板问你要吃什么菜？你说吃蔬菜。吃什么蔬菜？老板一脸茫然！你去奥特莱斯，对服务员说，给我来一件衣服。什么衣服？服务员一脸懵逼。

看到没，没有“分类”我们是无法正常生活的。

那么我们分类的目的其实就是把大量的事物细分成不同的种类，使得我们对某一个具体的事物有共同的理解和认识。例如把蔬菜分类成菠菜、小白菜、大白菜、芹菜、胡萝卜、白萝卜等等，把衣服分成外套、内衣、衬衣、短裤、长裤等等，这样我们才有正常沟通交流的基础。

当然，除了日常生活中的沟通交流，分类其实还有更多方面的考虑和应用。例如，垃圾的分类，既可以提高垃圾的回收利用水平，又可减少垃圾处理工作量。企业把客户分成大客户、优质客户、普通客户等，也是增强营销针对性、集中企业资源、发现市场机会，更好的提升企业竞争力和效益的重要手段和措施。银行把客户分成铂金用户、黄金用户、白银用户、黑名单用户等等，分别给予不同的贷款利率或理财产品，也是基于风险和利润的综合权衡。事实上，各行各业都有分类的需要和广阔的应用场景。那在机器学习中，“分类”一般用来干吗？应用场景也很多，垃圾邮件检测，人脸识别，文字识别，语音识别，医疗分析，客户分类，贷款审查等等。

所以，分类很重要。这也是为什么“分类”是机器学习领域非常核心的内容。

那具体的分类过程是怎样开展的呢？我们来举个例子：假设你是一位超市的蔬菜采购员，今天到一位农户那里采购辣椒，农户的辣椒很多，给了你10箩筐，每框大约1000个，有好有坏。你先挑第1框，挑了10分钟，挑出来400个品相好的辣椒，剩下的600个是品相不好的辣椒。这就是一个“分类”应用，你把农户的辣椒分成了品相好的和品相不好的2个种类。



注意，这个实际例子中隐含着几个非常重要的信息。首先，你靠什么判断辣椒是品相好的，还是品相不好的？那就是辣椒的特征，例如大小、颜色、光泽、表面平整度等等，也就是说，这些特征已经存储在你的大脑中，那这些特征是怎样存储在你的大脑中的，是因为你以前挑选过无数的辣椒，经历过长期的选辣椒“训练”，那些好辣椒的特征已经存储在你的大脑中。其次，你挑出一个辣椒，按照这些特征与你大脑中的品相好的辣椒进行对比，类似的就是品相好的，不类似的就是品相不好的。这就是“相似度计算”，或者叫“距离计算”。计算方法就是根据辣椒的这些特征进行综合计算，可以简单加权，可以单项决策，看你自己的大脑怎样定了，这就是“相似度计算方法”或叫“距离计算方法”。最后，什么是类似，什么是不类似？靠什么标准判断？这个标准就是你大脑中设置的“阈值”，例如相似度大于50%这个阈值，你就归到品相好的一类，相似度低于50%的阈值，你就归到品相不好的一类。

看到这里，你应该明白了这个现实场景与“机器学习”的关系了。我们再延伸一步，假设今天你带了一位实习采购员，以前从来没有采购过辣椒。你在挑这第1框1000个辣椒的时候，他在旁边看着，哪个是好辣椒，哪个是不好的辣椒。然后这一箩筐你挑完了，农户那还有9箩筐呢，你告诉实习采购员，让他去挑剩下的9箩筐。他刚刚在一旁看你挑第1框的1000个辣椒，这就是“训练”，然后他去挑剩下的9箩筐，就是“预测”，最终的效果是将9箩筐的辣椒分成了2类。如果这个实习采购员是一个机器人或电脑，这就是“机器学习”的“分类”，也可以说是“机器学习”进行了一次“分类”方面的应用。