吕明伦，王国刚，潘多涛，袁德成

(沈阳化工大学 信息工程学院，沈阳 110142)

回归和分类是机器学习的两项基本任务。回归主要是面向连续变化数据的建模和推理，而分类主要是针对离散变化数据建模和推理。二者的工作目标是将在训练数据集上学习得到的模型，用于测试数据集以预报个体的回归或分类。在许多应用领域，存在与回归相对应的一类建模任务称作组合学习或分式学习[1]；与分类相对应的一类建模任务称作量化学习[2]；二者的工作目标是面向数据输出类别分布的建模和预报，与针对个体样例建模的回归或分类方法既有联系也有区别。组合或量化学习主要为适应宏观层面的定量建模需求，如社交网络用户意见的语义分析、慢性疲劳综合征的流行率估计、由口述症状对死亡率病因的分布估计等定量评价问题。这些在各自领域被广泛重视的应用场景，都可被统一归入到应用统计学的组合学习或量化学习的细类[3-4]。

葡萄酒消费评论数据包含葡萄品种、酿造工艺、饮酒喜好、价格、服务等很多信息。其中葡萄品种受产地的土壤、日照、气候等环境条件影响大，具有强烈的地区性特征。酿造工艺包括采摘、破碎、压榨、发酵、熟化和装瓶等多项单元操作，具有典型批次加工特征。饮酒喜好则表现为每个地区人们对酒的爱好差异性。应用AI技术，打造面向品种优育和酿造工艺优产的精准全流程葡萄酒智能生产模式[5]，代表了这个行业发展的新方向。……