Как определить, является ли задача классификацией, регрессией или матчингом
Что проверяют
Умеете ли вы переводить бизнес-задачу в постановку ML, начиная с вопроса «что модель выдаёт и как это используют», а не с типа колонки в таблице. Следом обычно дают пограничный пример, скажем оценку от 1 до 5 или рекомендации, и просят обосновать выбор.
Как отвечать
Три вопроса к задаче:
- что на выходе: конечный набор классов означает классификацию (бинарную, многоклассовую, multilabel), число на непрерывной шкале означает регрессию, оценка связи двух объектов означает матчинг;
- что является объектом: в классификации и регрессии это одна строка, клиент или заказ. В матчинге это пара: резюме и вакансия, товар из двух каталогов, запрос и документ;
- как решение измеряется: классификация через ROC-AUC, F1, log loss; регрессия через MAE, RMSE, MAPE; матчинг через precision и recall на парах или метрики ранжирования вроде NDCG и Recall@k.
Матчинг стоит разобрать подробнее. Технически он часто сводится к бинарной классификации пары «совпадает или нет», но в продакшене строится в два этапа: быстрый отбор кандидатов через эмбеддинги и приближённый поиск соседей (FAISS, HNSW), затем точный ранжировщик, например градиентный бустинг на признаках пары. Поиск дубликатов товаров это матчинг внутри одного множества, рекомендации это матчинг пользователя с объектами.
Пограничные случаи: рейтинг от 1 до 5 решают и регрессией, и классификацией, но порядок классов важен, поэтому уместна порядковая регрессия. Число событий, например заказов в день, это регрессия с пуассоновской функцией потерь. Вероятность клика формально классификация, но используется для ранжирования.
Где спотыкаются
Смотрят на тип данных целевой колонки. Код региона или номер категории хранится числом, но это классы, и регрессия на них бессмысленна.
Строят матчинг как многоклассовую классификацию, где каждый кандидат отдельный класс. У новой вакансии или нового товара класса нет, и модель приходится переобучать.
Забывают про отрицательные примеры и утечку: пары делят на обучение и тест случайно, одна и та же вакансия попадает в обе части, и метрика завышена.