二元分类是机器学习中的一项基础任务，其中算法学习将每个输入实例分配到两个互斥类别之一。这些类别通常标记为正类和负类，或0和1，代表诸如垃圾邮件与非垃圾邮件、疾病存在与否、客户流失与否等结果。目标是从带标签的训练数据构建一个预测模型，使其能够准确分类新的、未见过的实例。它是多类分类的一个特例，其中类别数恰好为两个，并且它构成了许多现实世界决策系统的基础。
该过程涉及在数据集上训练模型，其中每个示例都有已知的二元标签。模型学习一个决策边界，在特征空间中将两个类别分开。该边界可以是线性的，如逻辑回归或带线性核的支持向量机，也可以是非线性的，如决策树、随机森林或神经网络。算法的选择取决于数据的性质、特征与标签之间关系的复杂性以及计算约束。评估通常使用准确率、精确率、召回率、F1分数和受试者工作特征曲线下面积（AUC-ROC）等指标，每个指标都提供了对模型性能的不同见解，尤其是在类别不平衡的情况下。
核心概念与术语
二元分类在一个清晰的框架下运作。正类通常是感兴趣的事件，如欺诈交易，而负类是正常情况。预测被分为四种结果：真正例（正确预测为正）、真负例（正确预测为负）、假正例（错误预测为正，也称为I型错误）和假负例（错误预测为负，即II型错误）。这些结果驱动所有评估指标。例如，精确率衡量正预测中正确的比例，而召回率（灵敏度）衡量实际正例中被正确识别的比例。精确率和召回率之间的权衡通常通过调整分类阈值来管理，该阈值是实例被标记为正类的概率截止点。
常用算法与技术
多种算法广泛用于二元分类。逻辑回归是一种经典的统计方法，使用逻辑函数对正类的概率进行建模，提供可解释的系数。支持向量机找到最大化类别之间间隔的超平面，在高维空间中有效。决策树和集成方法如随机森林和梯度提升（如XGBoost）能很好地处理非线性关系和特征交互。在深度学习的背景下，具有单个输出神经元和sigmoid激活函数的前馈神经网络是标准做法，通常使用损失函数如二元交叉熵进行训练。诸如丢弃和批归一化等技术用于改善泛化和训练稳定性。对于序列数据，可以调整循环网络或变换器，但二元分类通常侧重于静态特征向量。
跨行业应用
二元分类无处不在。在医疗保健中，它用于根据医学图像或实验室结果预测患者是否患有疾病，如直觉外科等公司开发的外科决策支持系统。在金融领域，它检测欺诈性信用卡交易或预测贷款违约。在电子邮件服务中，它过滤垃圾邮件。在自动驾驶中，韦莫和特斯拉自动驾驶使用二元分类来确定物体是行人还是车辆。在自然语言处理中，它驱动情感分析（正面与负面）和毒性检测。在制造业中，它在装配线上识别缺陷产品。其多功能性源于输出的简单性，可以直接用于警报、自动化或进一步决策。
评估与挑战
一个关键挑战是类别不平衡，即一个类别很少见，如欺诈检测。准确率变得具有误导性，精确率-召回率曲线等指标更受青睐。解决不平衡的技术包括重采样（对少数类进行过采样或对多数类进行欠采样）、使用合成数据生成或调整损失函数中的类别权重。另一个挑战是选择合适的阈值；较低的阈值会增加召回率，但可能增加假正例，这在医学筛查中至关重要，因为漏诊疾病比误报更严重。模型校准，确保预测概率反映真实可能性，对于决策也很重要。过拟合通过交叉验证和正则化来缓解。随着人工智能的兴起，该领域不断发展，现代框架如TensorFlow和PyTorch为构建和部署这些模型提供了强大的工具。
历史背景与未来方向
二元分类的根源可以追溯到20世纪30年代的统计方法，如Fisher线性判别，以及20世纪50年代由伯纳德·威德罗和Frank Rosenblatt引入的感知机。20世纪90年代见证了支持向量机和提升方法的兴起，而2010年代则将深度学习推向了前沿。如今，二元分类通常是更大系统的一个组成部分，如在大型语言模型中，它可能用于内容过滤或安全检查，由OpenAI和Anthropic等组织实施。未来方向包括提高对分布偏移的鲁棒性、可解释性以及处理多标签或层次结构。随着边缘计算的发展，轻量级模型被部署在苹果和三星电子等公司的设备上，实现无需云依赖的实时分类。随着数据变得更加丰富，重点正转向半监督和自监督方法，以减少对标记数据的需求。