在数据分析工作流程中，针对目标变量为离散类别的情形，应当采用哪些处理方法？请列举并简要说明常用的分类算法及其适用场景。
考察说明
考查对分类问题处理流程及常用分类算法的掌握程度。
回答思路
- 【回答框架 1】处理分类问题通常包括数据预处理（处理缺失值、异常值、类别特征编码如独热编码或标签编码）、特征工程（特征选择、特征缩放）、模型选择与训练、模型评估（准确率、精确率、召回率、F1分数、AUC等）以及结果解释。
- 【回答框架 2】常见分类算法包括：逻辑回归（线性模型，适用于二分类，可输出概率）、决策树（基于规则，可解释性强，易过拟合）、随机森林（集成多棵决策树，降低过拟合，鲁棒性好）、支持向量机（通过核函数处理非线性，适合小样本高维数据）、K近邻（基于距离，简单但计算量大）、朴素贝叶斯（基于概率独立性假设，适合文本分类）、梯度提升树（如XGBoost、LightGBM，精度高，但参数调优复杂）以及神经网络（适合复杂非线性关系，但需要大量数据）。
- 【回答框架 3】选择算法需考虑数据规模、特征维度、可解释性要求、训练时间和业务场景。例如，数据量小且需解释时用决策树或逻辑回归；数据量大且追求性能时用随机森林或梯度提升树；高维稀疏数据用朴素贝叶斯或线性SVM。
- 【回答框架 4】模型评估需使用交叉验证和留出集，避免过拟合；对不平衡数据需考虑重采样或调整类别权重，并关注PR曲线而非仅AUC。
- 【关键点 1】处理分类问题需完成数据预处理、特征工程、模型训练与评估的完整流程。
- 【关键点 2】常用算法包括逻辑回归、决策树、随机森林、SVM、KNN、朴素贝叶斯、梯度提升树和神经网络。
- 【关键点 3】算法选择需结合数据规模、特征类型、可解释性及业务需求。
- 【关键点 4】评估指标应依据类别平衡情况选择准确率、精确率、召回率、F1或AUC。