3、预测问题定义：区分分类、回归、时序预测等任务，明确插画数据预测的具体问题类型

插画数据预测并非一个笼统的“预测”概念。在建模之前，我们必须先回答一个根本性问题：我们到底要预测什么？是预测一幅插画的风格标签（如“赛博朋克”或“治愈系”），还是预测它的市场热度评分（如0-100分），抑或是预测未来三个月某类插画风格的搜索趋势？这三种问题分别对应分类、回归和时序预测三大任务类型。选错任务类型，后续所有模型评估指标、损失函数和业务解读都会失去意义。本章将建立一套从业务诉求到问题类型映射的决策框架，帮助你在插画数据项目中精准定位预测问题的本质。

3.1 核心原理：预测任务的数学本质与业务语义

分类、回归与时序预测的本质区别在于目标变量（Y）的数学性质。分类任务的Y是离散的类别标签，模型学习的是决策边界；回归任务的Y是连续的实数值，模型学习的是映射函数；时序预测的Y虽然也可能是连续值或离散值，但关键区别在于时间依赖性——样本之间存在顺序关系，不能随机打乱。

在插画数据场景中，这种区别会直接影响数据标注方式、特征工程策略和模型部署逻辑。例如，预测“插画是否会被编辑推荐”是一个二分类问题，而预测“插画的预期点赞数”则是回归问题。如果误将回归问题当作分类处理（比如把点赞数离散化为“高/中/低”三档），会丢失大量细粒度信息，导致模型无法区分同一档位内的差异。

3.2 判断方法：从业务问题到任务类型的四步映射法

面对一个插画数据预测需求，不要急于选模型，先完成以下四步判断流程：

1. 明确预测目标：与业务方确认“预测结果将被如何使用”。如果是用于打标签、分组、筛选，则偏向分类；如果是用于排序、估值、量化评分，则偏向回归；如果是用于提前预警、趋势预判，则偏向时序。
2. 检查目标变量形态：查看历史数据中目标变量的取值。如果只有有限的几个类别（如“古风/现代/科幻”），是分类；如果取值连续且可无限细分（如点赞数、价格），是回归；如果数据是按天/周/月采集的时间序列，则是时序预测。
3. 判断样本独立性：随机抽取两个样本，如果它们的特征和目标值之间不存在时间先后影响，则考虑分类或回归；如果样本本身是某个时间窗口内的观测值，且后一个样本受前一个样本影响，则必须用时序方法。
4. 考虑业务决策粒度：如果业务方只需要“是/否”或“A/B/C”的粗粒度结果，即使原始数据是连续值，也可以转化为分类问题；反之，如果业务方需要精确数值，则必须回归。

3.3 案例拆解：插画风格热度预测的三种建模路径

假设我们有一个插画社区的数据集，包含以下字段：插画ID、风格标签（水墨/赛博朋克/治愈系/写实）、发布时间、前7天点赞数、收藏数、作者粉丝数、是否被编辑推荐。现在业务方提出三个预测需求：

需求A：自动为新增插画打上风格标签。这是一个典型的多分类问题。目标变量是风格标签（4个类别），输入特征是图像像素或视觉特征。我们选择CNN分类模型，评估指标采用宏平均F1分数，因为各类别样本可能不均衡。

需求B：预测新发布插画的7天点赞数。这是回归问题。目标变量是连续数值（点赞数），输入特征包括作者粉丝数、历史作品表现、图像风格、发布时间等。我们使用梯度提升回归树（如XGBoost），评估指标采用RMSE和MAE。注意，点赞数存在长尾分布，需要对目标值做log1p变换，避免模型被极端值主导。

需求C：预测未来4周“治愈系”风格的投稿量趋势。这是时序预测问题。我们收集过去24个月的每周投稿量数据，使用Prophet模型捕捉趋势和季节性。评估指标采用MAPE，因为业务方更关心相对误差而非误差。

在需求B的建模过程中，我们遇到了一个关键问题：部分插画在发布后1小时内就获得了大量点赞，而另一些则增长缓慢。如果直接使用7天后的总点赞数作为目标，模型会忽略这种增长模式差异。于是我们增加了“发布后第1小时点赞数”作为特征，并尝试将问题转化为时序回归——即预测点赞数随时间变化的曲线。但经过评估，业务方只需要最终总量，且样本间相互独立，因此最终仍采用标准回归方案，但加入了时间衰减特征。

3.4 常见误区与总结复盘

误区一：混淆“预测未来”与“时序预测”。预测一幅插画未来的点赞量，只要样本独立，就是回归问题；只有预测对象本身是时间序列的滚动延伸，才是时序预测。

误区二：盲目将回归问题离散化为分类问题。有些团队为了使用分类模型，将连续评分分为“高/中/低”三档，导致模型无法区分同一档内的细微差异，且丢失了排序信息。如果业务方需要精确数值，应坚持回归。

误区三：忽略时序数据的特殊预处理。时序预测需要专门的训练集/验证集划分方式（按时间切分，不能随机打乱），还需要处理缺失值、异常值、节假日效应等。如果直接套用分类/回归的交叉验证方法，会造成数据泄露。

误区四：不区分“预测”与“分类”的业务语义。例如，“预测插画是否热门”看似是分类（热门/不热门），但如果“热门”的定义是点赞数超过某个阈值，那么更合理的做法是先做回归预测点赞数，再根据阈值进行决策。这样保留了更多信息，也便于调整阈值。