3. 机器学习基础回顾
在深入构建智能成本估算系统之前，必须厘清机器学习的基本范式及其与成本估算问题的映射关系。本章将回顾监督学习、无监督学习的核心区别，并重点分析回归与分类问题在成本估算中的具体应用场景，为后续模型选型与架构设计奠定理论基础。
3.1 监督学习 vs. 无监督学习：核心范式对比
机器学习算法根据训练数据的标签情况可分为两大类。成本估算场景中，监督学习是主力，但无监督学习在数据预处理与异常检测中同样关键。
| 维度 | 监督学习 | 无监督学习 |
|---|---|---|
| 训练数据 | 包含输入特征与已知标签（目标值） | 仅包含输入特征，无标签 |
| 核心目标 | 学习从特征到标签的映射函数 | 发现数据内在结构、分布或模式 |
| 成本估算角色 | 直接预测成本数值或成本等级 | 数据聚类、异常成本检测、特征降维 |
| 典型算法 | 线性回归、决策树、随机森林、XGBoost、神经网络 | K-Means、DBSCAN、PCA、孤立森林 |
| 输出形式 | 连续值（回归）或离散类别（分类） | 聚类标签、降维后的特征、异常分数 |
关键认知： 在成本估算系统中，监督学习负责“预测”，无监督学习负责“理解数据”。两者通常串联使用——先用无监督方法清洗与探索数据，再用监督模型进行精准估算。
3.2 回归问题：连续成本数值的预测
回归是成本估算中最核心的监督学习任务。其目标是预测一个连续数值，例如项目总成本、单位物料成本、工时费用等。
3.2.1 回归在成本估算中的典型场景
- 项目总成本预测： 基于项目规模、复杂度、团队经验等特征，预测最终交付成本。
- 单位成本估算： 预测每单位产品（如每行代码、每平方米建筑）的制造成本。
- 成本趋势预测： 根据历史成本序列，预测未来时间点的成本波动。
- 资源消耗预测： 预测完成特定任务所需的人力、设备或材料数量，进而换算为成本。
3.2.2 常用回归算法与适用性
| 算法 | 特点 | 成本估算适用场景 |
|---|---|---|
| 线性回归 | 简单、可解释性强，假设特征与成本呈线性关系 | 初步基线模型、特征影响分析 |
| 决策树回归 | 非线性、可处理类别特征，易过拟合 | 中小规模项目成本估算 |
| 随机森林回归 | 集成学习，抗过拟合，特征重要性排序 | 多特征、中等规模成本数据集 |
| XGBoost / LightGBM | 梯度提升，高精度，支持缺失值 | 大规模、高维成本数据，竞赛级精度 |
| 神经网络（MLP） | 深度非线性拟合，需大量数据 | 复杂成本模式、多模态输入 |
实践建议： 在成本估算项目中，优先从线性回归或决策树开始建立基线，再逐步尝试集成方法。不要一开始就使用深度神经网络，除非数据量超过万级且特征高度非线性。
3.3 分类问题：成本等级与风险类别的判定
分类问题将成本估算转化为离散类别的预测。当不需要精确数值，而是需要快速判断成本区间、风险等级或预算类别时，分类模型更为高效。
3.3.1 分类在成本估算中的典型场景
- 成本等级划分： 将项目分为“低成本 / 中成本 / 高成本”三个等级，辅助快速筛选。
- 预算超支预警： 预测项目是否会超出预算（二分类：超支 / 未超支）。
- 供应商报价分类： 判断供应商报价是否属于“合理 / 偏高 / 异常”类别。
- 成本风险评级： 将成本风险分为“低风险 / 中风险 / 高风险”，指导复核优先级。
3.3.2 常用分类算法与适用性
| 算法 | 特点 | 成本估算适用场景 |
|---|---|---|
| 逻辑回归 | 输出概率，可解释性强，线性决策边界 | 二分类（超支/未超支）、概率评分 |
| K-近邻（KNN） | 基于相似度，无需训练，对特征尺度敏感 | 小样本成本等级分类 |
| 决策树分类 | 规则透明，可处理非线性，易过拟合 | 成本规则提取、可解释性要求高的场景 |
| 随机森林分类 | 集成学习，高准确率，特征重要性 | 多类别成本等级、风险评级 |
| 支持向量机（SVM） | 高维空间有效，核技巧处理非线性 | 中小样本、高维特征的成本分类 |
注意： 分类问题会丢失成本数值的精确信息。如果业务需求是“精确到千元”的估算，应优先使用回归；如果业务需求是“快速判断成本区间”，分类则更高效。切勿混淆任务类型。
3.4 回归 vs. 分类：成本估算场景的选择矩阵
在实际项目中，需要根据业务需求与数据条件做出选择。下表总结了关键决策因素：
| 决策因素 | 选择回归 | 选择分类 |
|---|---|---|
| 输出需求 | 需要精确数值（如 ¥1,234,567） | 需要类别或等级（如“高成本”） |
| 数据标签 | 标签为连续值 | 标签为离散值 |
| 业务决策粒度 | 精细预算编制、成本控制 | 快速筛选、风险分级、预警 |
| 模型复杂度 | 相对较高（需拟合连续分布） | 相对较低（决策边界可更粗糙） |
| 可解释性要求 | 需解释每个特征对成本的影响 | 需解释分类规则与阈值 |
| 典型应用 | 项目总成本、单位成本、工时成本 | 成本等级、超支预警、风险评级 |
架构决策提示： 在智能成本估算系统中，建议同时构建回归模型与分类模型，形成互补。回归模型提供精确数值，分类模型提供快速决策支持。两者可共享相同的特征工程管道，但输出层与评估指标不同。
3.5 无监督学习在成本估算中的辅助作用
虽然监督学习是成本估算的主力，但无监督学习在以下环节不可或缺：
- 成本数据聚类： 使用 K-Means 或 DBSCAN 对历史项目进行聚类，发现不同成本模式（如“低成本高效项目”、“高成本复杂项目”），为监督模型提供分组特征。
- 异常成本检测： 使用孤立森林或自编码器识别异常成本记录，防止异常值污染训练数据。
- 特征降维： 使用 PCA 或 t-SNE 对高维成本特征进行降维，提升监督模型的训练效率与泛化能力。
- 数据探索与可视化： 在建模初期，通过无监督方法快速理解数据分布，指导特征工程方向。
最佳实践： 在成本估算项目中，将无监督学习作为“数据准备阶段”的标准步骤。先聚类发现数据子群，再针对每个子群训练独立的回归或分类模型，往往能获得比全局模型更高的精度。
3.6 本章小结
机器学习基础为成本估算提供了清晰的范式选择框架：
- 监督学习是成本估算的核心，其中回归用于精确数值预测，分类用于等级与风险判定。
- 无监督学习在数据预处理、异常检测与特征降维中发挥关键辅助作用。
- 实际系统应结合回归与分类模型，形成“精确估算 + 快速分类”的双通道能力。
- 模型选择需综合考虑输出需求、数据标签类型、业务决策粒度与可解释性要求。