在数据挖掘领域，分类任务具体指的是什么？请列举几种常用的分类算法。

回答思路

1. 【回答框架 1】分类任务是数据挖掘中的一种监督学习任务，其核心是根据已知类别标签的训练数据构建一个模型，然后用该模型对未知类别的样本进行类别预测。它属于预测建模，输出是离散的类别标签。
2. 【回答框架 2】常见的分类算法包括逻辑回归、决策树、随机森林、支持向量机、朴素贝叶斯、K近邻、神经网络等。
3. 【回答框架 3】不同算法各有特点：逻辑回归简单、可解释性强，适合线性可分问题；决策树易于理解和解释，能处理非线性关系，但易过拟合；随机森林通过集成多棵决策树提高准确性和鲁棒性；支持向量机在小样本高维数据上表现好；朴素贝叶斯基于贝叶斯定理，计算简单，适合文本分类；K近邻基于距离度量，简单但计算量大；神经网络能学习复杂模式，但需要大量数据和计算资源。
4. 【回答框架 4】在实际应用中，需要根据数据规模、特征类型、业务需求和模型可解释性等选择合适算法，并通过交叉验证、调整超参数等来优化模型性能。
5. 【关键点 1】分类任务是监督学习，输出离散类别标签。
6. 【关键点 2】常见算法包括逻辑回归、决策树、随机森林、SVM、朴素贝叶斯、KNN、神经网络等。
7. 【关键点 3】算法选择需考虑数据特点、业务要求等。
8. 【易错点 1】混淆分类任务与回归任务，分类输出离散标签，回归预测连续数值。
9. 【易错点 2】忽视数据不平衡问题，可能导致模型偏向多数类。