14 Step 5（10%）：八类任务，你的目标该配哪一类

先分清「方法」和「算法」

作业把它们拆成了 Step 5 和 Step 6 两步，因为它们真的是两件事：

	Step 5 · 方法（method）	Step 6 · 算法（algorithm）
回答什么	这是一个什么形状的问题	用哪台机器去解
取值	分类／回归／分群／关联／异常／文本／时序／增量响应	C5.0、CHAID、逻辑回归、随机森林、K-Means、Apriori……
由什么决定	Step 1.3 的目标（输出形态是名单？数值？分组？规则？）	数据的性质（样本量、维度、类型）＋可解释性要求
换工具会变吗	不会——四次迭代这一节可以复用	会（三条产线的算法库不同）

八类任务对照表

下面这台把八类任务、各自的候选算法、以及在三条产线上的具体实现摆在一起。挨个点一遍，找到你的那一类——顺便看清另外七类为什么不是：

选择的路径其实只有一句话：看 Step 1.3 里「输出形态」那一栏。

Step 1.3 说要输出……	方法	再确认一件事
一份名单（谁风险高／谁会流失）	分类	目标列是不是已经二分好了？没有就在 3.3 造一个（阈值要有来源）
一个数字（下一期是多少）	回归	有没有一个「用上一期值当预测」的基线可以比？没有基线的回归结果无法评价
若干群体画像	分群	业务方能不能给每个群配一个不同的动作？不能，就不该做分群
一批规则（什么和什么一起出现）	关联	数据是不是「篮子」形态（一行一次交易，含多个项目）？
一份可疑清单	异常检测	有没有标签可以验证？没有的话，验证只能靠人工抽检
文本的类别或主题	文本分析	标注成本算过了吗？八千条推文的人工标注是几十小时
未来若干期的曲线	时序	划分必须按时间切（第 13 章）
「给谁发券才会改变行为」	增量响应（uplift）	必须有处理组和对照组的数据。没有随机分组，这条路不通

◆ 最省事的加分动作：同一份数据做两类任务

如果你的目标列是连续的（死亡率、缺水天数、辍学率），你可以同时做回归和分类，成本几乎是零：同一份特征、同一次划分，跑两个模型。

好处是三重的：① Step 5.1 的讨论立刻有内容（「两类方法都适用，我们都做了，并比较哪个更支撑 1.1 的决策」）；② Step 7 的产出翻倍；③ Step 8 有话可写——回归告诉你「差多少」，分类告诉你「谁不达标」，而决策者要的其实是后者加上前者的量级。

本书示例数据就是这样设计的：u5mr 连续（回归，测试集 RMSE 6.42、R² 0.815），risk 二分（分类，准确率 0.875、AUC 0.943）。两组数字在报告里互相印证，比单独一组有力得多。

关联规则：一个「支持度最高却毫无关系」的现场

八类任务里，关联规则最容易被误用，因为它的三个指标很容易混。下面这台是真的 Apriori：24 个「母婴服务包」篮子，逐层生成频繁项集，再算规则：

指标	定义	回答
支持度 support	P(A ∩ B)	这条规则覆盖多少交易？太低的规则没有业务价值
置信度 confidence	P(B \| A)	买了 A 的人里，多少也买了 B？
提升度 lift	P(B \| A) / P(B)	A 的出现让 B 的概率提高了多少倍。只有 lift > 1 才叫「发现」

看 demo 里的「疫苗」：它的支持度是全场最高的 0.833，任何规则指向它的置信度都很高（产检 → 疫苗，置信度 0.857）。但它的 lift 只有 1.03。

原因：疫苗到处都在。随便猜「这个人领了疫苗」本来就有 83% 的准确率，所以「做了产检的人有 85.7% 也领了疫苗」几乎没有增加任何信息。置信度高不等于有关系——这是关联分析里最常见的误读。

真正的发现是那两组 lift 高的：

母乳指导 ↔ 营养包，lift 1.80（双向都是）。两者真的成对出现。
补铁剂 → 产检，置信度 1.00，lift 1.71。领补铁剂的人 100% 都做了产检。

而第二条反过来读，就是一个可执行的动作：产检 → 补铁剂的置信度只有 0.714，也就是说做了产检但没领补铁剂的那 28.6%，是一份现成的入户走访名单。（第 19 章会讲这种「把规则变成名单」的思路怎么变成钱。）

✎ 报告里写规则的格式：一条规则配一个动作

不要只贴一张规则表。挑 3–5 条 lift 最高的，每条写成三行：

规则 R2：{补铁剂} → {产检}
  支持度 0.417（24 个服务包中的 10 个）
  置信度 1.000　提升度 1.71
解读：领取补铁剂的服务对象全部完成了产检，说明两项服务在
      现有流程中已被捆绑发放。
动作：反向筛选「已产检但未领补铁剂」的 28.6%（约 4 人），
      作为下一轮入户走访的优先名单；若该缺口源于库存而非
      流程，则应在 9.1 的部署方案中加入库存预警。

「动作」那一行是 Step 8.3 与 Step 9.1 的分。没有动作的规则表，在这门课里等于没有结论。

增量响应建模：课程学习目标里那个冷门词

LO3 明确点了 incremental response modeling，它在中文里通常叫增量响应或 uplift 建模。值得单独说两句，因为它是唯一一个直接回答因果问题的方法，而且很少有人写对。

普通的响应模型预测「谁会响应」；uplift 模型预测「谁会因为我的干预而响应」。差别体现在四类人身上：

四类人	干预了会怎样	不干预会怎样	该不该投
可说服者（persuadables）	响应	不响应	只有这一类值得投
稳定客户（sure things）	响应	响应	不投也会来，投了是浪费
无望者（lost causes）	不响应	不响应	投了也没用
睡狗（sleeping dogs）	不响应	响应	投了反而有害（打扰引起反感）

普通响应模型会把「稳定客户」排在最前面（他们响应概率最高），于是预算全花在本来就会来的人身上。uplift 模型才会把「可说服者」挑出来。

实现上最简单的做法是双模型法：在处理组上训一个模型、在对照组上训一个模型，两者的预测概率相减就是 uplift。前提是你必须有随机分组的数据——这也是为什么它在这门课里通常只能作为「未来增强」写进 Step 9.4：「若后续能与卫生部合作进行随机对照投放，可将本模型升级为增量响应模型，以区分『会未达标』与『会因干预而改善』两类地区。」这一句话既展示了你知道这个方法，又诚实地说明了当前数据做不到。

5.1 的讨论怎么写：一个模板

5.1 Match and discuss the objectives to data-mining methods

1.3 的目标要求输出「按未达标风险排序的地区名单 + 每个地区的
概率」。据此逐类评估八种数据挖掘方法：

· 分类（选用）：直接产出类别与概率，可排序，与 1.1 的「选出
  15 个优先地区」严格对应。目标列由 SDG 3.2 阈值定义，已存在。
· 回归（并用作补充）：可预测 u5mr 具体数值，用于估计干预后的
  改善幅度（1.2.5 成本收益需要这个量级）。二者共用同一特征集。
· 分群（不选）：能给出地区画像，但不产出排序，无法直接支撑
  「选 15 个」这一决策；作为 8.1 的辅助分析保留（见 6.1）。
· 关联规则（不选）：数据为「地区-年 × 指标」的宽表，非交易篮子
  形态，无法构造有意义的项集。
· 异常检测（不选）：目标不是找「不正常的地区」而是找「达不到
  既定标准的地区」，后者有明确阈值，属监督问题。
· 文本分析（不选）：数据集不含文本字段。
· 时序（不选为主方法）：观测期仅 9 年、每地区 9 点，不足以做
  可靠的序列建模；年份作为特征纳入分类模型（见 3.3）。
· 增量响应（不可行）：无随机对照投放数据，缺少处理组／对照组
  标识；列为 9.4 未来增强方向。

5.2 结论：以二分类为主方法，回归为补充方法。

这一段约 300 字，八类各一句，10% 的分基本全在里面。而且它四次迭代通用——换工具不改变问题的形状。

▣ 本章交付物 —— 报告里放什么

1. Step 5.1（约 300 字）：上面那个模板，八类任务逐条评估，每条一句理由。

2. Step 5.2（两行）：结论 + 主方法与补充方法。

3. 如果你做了关联分析：3–5 条规则，每条按「支持度／置信度／提升度 + 解读 + 动作」三行式写。并且明确指出 lift ≈ 1 的那些高置信度规则为什么不算发现。

4. 一句留给 9.4 的话：uplift 那段模板，把「未来能做但现在数据不支持」的方法写出来。这在评分上算 Critical Thinking，不算缺陷。

这一章的一句话

Step 5 的分在「为什么不选另外七个」：把八类任务逐条评估、各给一句排除理由，这 300 字四次迭代通用；顺带记住关联规则里那个最常见的误读——支持度 0.833 的商品，指向它的规则 lift 只有 1.03，置信度高不等于有关系。

方法定了，下一章开始选算法。我们从决策树开始，因为它是唯一一种你能亲眼看见它「怎么想」的算法——而且这本书里那棵树的每一刀，都是当场算出来的。