知識 · AI 基礎

分類與迴歸

Classification & Regression

📂AI 基礎⏱閱讀 2 分鐘📊實務🔗相關 3

分類與迴歸是什麼?

一句話定義
監督式學習的兩大基本任務。分類預測「屬於哪一種」(類別),迴歸預測「是多少」(數字)。
本主題,可辦企業內訓📚 相關課程💬 教育訓練洽詢
⚡ 3 行重點摘要
  • 分類=預測類別(種類)
  • 迴歸=預測數字(數值)
  • 監督式學習的兩大基本任務

需求通常是一句話提出的。「幫我預測一下需求吧。」這句話究竟是指「下個月要下多少訂單」,還是「是否有缺貨風險的品項」,會決定從資料標記方式到報告格式的一切。企劃書的一行字,就決定了六個月的工作方式。選模型之前,先寫下拿到預測值的人會採取什麼行動,就不會在這個岔路上迷失。

分類分為二元(流失/留存)、多類別(不良類型 5 種)、多標籤(一份文件貼上多個標籤)。大多數分類模型會輸出 0 到 1 之間的機率,因此 0.5 這條門檻線不是固定值,而是可調整的變數。如果業務團隊一天只能處理 30 筆,就把門檻線提高到 0.72,只放行前 30 筆即可。評估指標也不同。分類看精確率、召回率、F1、AUC;迴歸看 MAE、RMSE、MAPE。像採購金額這種數字型的對象,也能以「KRW 3,000,000 (≈ US$2,250) 以上/未滿」切開轉為分類,但那一刻,KRW 2,990,000 (≈ US$2,240) 與 KRW 100,000 (≈ US$75) 就會落進同一格。

現場最常出錯的地方是準確率。在月流失率為 3% 的公司,即使模型把所有客戶都判為「留存」,準確率也會顯示 97%。數字看起來很漂亮,但抓到的流失客戶是 0 人。迴歸也一樣。即使 R² 達到 0.9,只要旺季的幾筆就偏離超過 40%,採購負責人就再也不會相信那個數字。把分類結果直接套用到金額決策上,也是常見的失誤。「流失機率 80%」並不等於「損失 KRW 8,000,000 (≈ US$5,990)」。需要金額時,得另外接上迴歸模型,或把機率乘上每位客戶的貢獻利潤,換算成風險金額。

會出現此術語的課程 · AI・DX
推薦課程 · 推薦講師 · 迷你報價
🧮 迷你報價 · 講師費基準
約 KRW 1,200,000 (≈ US$900)專題講座 2 小時 · 20 人以下 · 韓語
依此條件取得正式報價 →
💡 簡單來說
「是貓還是狗」(分類)與「房價是多少」(迴歸)——依預測對象是種類還是數字來區分。
為什麼在實務上很重要
這是 AI 專案設計的起點。依分類或迴歸而定,方法與指標會完全不同。
分類 vs 迴歸
比較分類(Classification)迴歸(Regression)
預測對象類別(種類)連續的數字(數值)
是垃圾郵件/正常、狗/貓房價、明天的營收
提問「是哪一邊?」「是多少?」
由來與出處

作為統計學與機器學習的基本預測問題類型,已確立為監督式學習的兩大支柱。

透過案例理解

以下以假設案例說明。員工 260 人、年營收 KRW 110,000,000,000 (≈ US$82,331,600) 的工業零件經銷商 A 公司,管理 1,400 家往來客戶。去年停止交易的客戶增至 190 家,經營層便指示 '用 AI 預測流失',數據團隊隨即展開為期 3 個月的專案。

  1. 在第一次會議上,營業本部長說「請幫我找出會流失的地方」,財務組長則說「想知道會少掉多少金額」,於是兩個不同的問題混在同一個專案裡。
  2. 資料團隊主管把兩個問題分開。「3 個月內是否停止採購」用分類建模,「未來 6 個月預估採購金額」則另外用迴歸建模。
  3. 分類模型的第一次報告準確率為 94%,但實際 190 家流失客戶中只抓到 22 家,於是把判定基準線從 0.5 降到 0.28,將召回率拉升到 68%。
  4. 迴歸模型在前 50 大主要客戶中 MAPE 飆升到 31%,於是把小額客戶分開,並把學習期間縮短為最近 18 個月,使 MAPE 降到 14%。
  5. 營業本部把兩個結果相乘,以「流失機率 × 預期採購金額」排出風險金額排名,並把前 120 家安排了分店長拜訪行程。
  6. 6 個月後,每季流失客戶從 48 家減少到 29 家,挽回的採購金額年化約為 KRW 2,700,000,000 (≈ US$2,020,900)。營業本部長說:「如果只要求圈出哪裡會流失,那就只做了一半。」
相關術語
與此術語相關的課程
📚AI 代理實務入門Nanum 經營顧問企業內訓 · 實體/線上查看課程 →
是否需要針對此主題進行企業內訓?
立即取得負責人為您量身打造的課程規劃與報價。
教育洽詢
最後修訂 2026年9月13日 · 監修 金鍾赫

常見問題

預測對象是「類別(種類)」就是分類,是「連續的數字(數值)」就是迴歸。
是的。兩者都是利用有正確答案(標籤)的資料進行學習的監督式學習代表性任務。
預測對象是「類別(種類)」就是分類,是「連續的數字(數值)」就是迴歸。
就像流失預測(分類)、營收預測(迴歸)一樣,依問題類型的不同,方法與指標也會隨之改變。