统计分类是什么？用数据训练模型把新样本归到已知类别

统计分类（Statistical Classification）是一种把新的观测数据分到已知类别中的监督学习方法。它的过程是：先用一个带有类别标签的训练数据集构建模型，让模型学会观测数据的特征和类别之间的关系；然后用这个模型，根据新样本的特征，判断它最可能属于哪一个类别。

一些例子

统计分类是机器学习中最常见、应用最广的任务之一：根据邮件的内容判断它是不是垃圾邮件；根据病人的检查指标判断是否患有某种疾病；根据交易的金额、时间、地点判断是否是欺诈；根据图片判断里面是猫还是狗；根据用户的评论判断情感是正面还是负面。只有两个类别的叫二元分类，有多个类别的叫多类分类。

“统计”体现在哪里

之所以叫统计分类，是因为它通常基于概率和统计的思想来做判断：模型从训练数据中估计出各个类别的特征分布，或者直接估计“给定这些特征，属于某个类别的概率是多少”，再把样本分到概率最大的类别。它承认判断是有不确定性的，一封邮件可能有 95% 的概率是垃圾邮件，而不是绝对地给出结论。这种概率输出也很有用：可以根据业务需要调整判定的阈值，在漏报和误报之间做权衡。

常见的方法

逻辑回归：虽然名字里有“回归”，但它是经典的分类方法，用一个函数把特征的加权组合转换成属于某个类别的概率，简单、高效、可解释。朴素贝叶斯：基于贝叶斯定理，假设各个特征之间相互独立，计算简单，在文本分类中曾经非常流行。K 近邻：看新样本周围最相似的 K 个训练样本大多属于哪一类。支持向量机：找到一个能把不同类别分开、并且间隔最大的边界。决策树和随机森林、梯度提升树：通过一系列条件判断来分类，在表格数据上表现出色。神经网络：能自动学习复杂的特征，是图像、语音、文本分类的主流方法。

如何评价

评价分类模型常用的指标包括：准确率，也就是分对的比例；精确率和召回率，分别衡量判为某类的样本中有多少是对的、某类的样本中有多少被找出来了；F1 分数；以及 ROC 曲线和 AUC。在各类别样本数量不均衡的情况下，只看准确率往往会产生误导，需要综合考虑多个指标。