混淆矩阵TNFPFNTP\text{混淆矩阵} = \begin{bmatrix}TN & FP \\FN & TP混淆矩阵TNFN​FPTP​AccuracyTPTNTPTNFPFNAccuracyTPTNFPFNTPTN​​适用场景：数据分布均衡（正、负类样本数量接近）的通用场景。

机器学习中回归与分类任务的并存，本质是目标变量的类型差异导致的，对应现实中两类完全不同的预测需求。

分类任务：简单场景用逻辑回归 / 决策树，工业界主流用 XGBoost/LightGBM/CatBoost，复杂数据（图像 / 文本）用 CNN/Transformer。回归任务：简单场景用线性回归 / 多项式回归，工业界主流用 XGBoost/LightGBM/CatBoost，复杂时序 / 图像用 LSTM/CNN/Transformer。核心建议：先从简单模型入手搭建 baseline，再根

混淆矩阵TNFPFNTP\text{混淆矩阵} = \begin{bmatrix}TN & FP \\FN & TP混淆矩阵TNFN​FPTP​AccuracyTPTNTPTNFPFNAccuracyTPTNFPFNTPTN​​适用场景：数据分布均衡（正、负类样本数量接近）的通用场景。