深度学习常见任务类别

深度学习涵盖的任务类型非常广泛，以下按常规方向、应用领域和技术方向进行分类整理：

1. 常规方向分类

深度学习（以下实际上是从机器学习角度来分类的，深度学习作为机器学习的热门子方向，使用此分类也同样适用）按常规方向类型可分为：分类、回归、聚类、降维。

1. 任务类型与监督性

任务	监督性	目标
分类	监督学习	预测离散的类别标签（如垃圾邮件检测）
回归	监督学习	预测连续数值（如房价预测）
聚类	无监督学习	发现数据内在结构，分组相似样本（如客户分群）
降维	无监督学习	减少特征维度，保留关键信息（如数据可视化或去噪）

区别：
• 分类和回归需要带标签的数据，而聚类和降维无需标签。

• 分类与回归属于预测任务，而聚类和降维属于探索性分析或预处理任务。

---

2. 输入输出对比

任务	输入	输出
分类	特征向量 + 类别标签	离散类别（如“猫”或“狗”）
回归	特征向量 + 连续值标签	连续数值（如房价=500万）
聚类	特征向量（无标签）	样本分组（如簇1、簇2、簇3）
降维	高维特征向量	低维特征表示（如3D→2D）

区别：
• 分类和回归的输出直接对应标签，而聚类和降维的输出是数据结构的抽象表示。

---

3. 典型算法

任务	常用算法
分类	逻辑回归、SVM、决策树、随机森林、神经网络
回归	线性回归、岭回归、Lasso、神经网络
聚类	K均值、层次聚类、DBSCAN、高斯混合模型（GMM）
降维	PCA、t-SNE、UMAP、LDA（也可用于分类）

区别：<