机器学习前言——认识机器学习
目录
前言 — 本篇文章讲解内容
在正式了解监督学习，无监督学习，强化学习读之前，先弄清三件事：机器学习在干什么、能用在哪、数据长什么样。后面出现的「特征」「标签」「训练」都建立在这套语言上。
1. 机器学习是什么？
那么在传统的代码程序里
传统编程是你写死规则，计算机照做：
如果 面积 > 100 且 房龄 < 5 -> 价格 = 300万
机器学习反过来：你给它大量例子，它自己总结规律：
输入：1000套历史成交记录（包含面积、房龄、房间数等 + 真实的成交价格）
输出：一个用来预测房价的模型，用它就能估一套房子的价格
所以，机器学习 = 从数据里学规律，而不是人把每条规则写进代码。
2. 机器学习和「人工智能」「深度学习」什么关系？
| 概念 | 关系 |
|---|---|
| 人工智能（AI） | 大目标：让机器表现出智能行为 |
| 机器学习（ML） | 实现 AI 的主要方法之一：用数据训练模型 |
| 深度学习（DL） | 机器学习的一个分支：用多层神经网络学更复杂的规律 |
你可以把机器学习理解成「AI 工具箱里最常用、也最工程化的一把扳手」——本系列先从经典机器学习入门，深度学习是后面的延伸。
3. 机器学习解决什么问题？
| 类型 | 解释 |
|---|---|
| 有标准答案，学预测 | 给你 (x,y)，学 f(x)≈y → 监督学习 |
| 没有答案，找结构 | 只有x，学分组/压缩/分布 → 无监督学习 |
| 没有答案表，靠奖惩学做事 | 与环境交互，学怎么行动 → 强化学习 |
4. 机器学习有哪些应用场景？
监督学习 — 最常见
| 场景 | 任务 | 问法 |
|---|---|---|
| 房价 / 销量 / 股价 | 回归 | 明天卖多少？ |
| 垃圾邮件识别 | 分类 | 是不是 spam？ |
| 疾病筛查、信贷风控 | 分类 + 概率 | 会不会患病？违约概率多大？ |
| 人脸识别、手写数字 | 分类 | 是谁？是几？ |
| 机器翻译、语音识别 | 序列预测 | 输入一句话，输出译文/文字 |
特点：历史数据里已经有「正确答案」，模型学的是「输入 → 输出」的映射。
无监督学习 — 没有标签也能用
| 场景 | 在干什么 |
|---|---|
| 用户分群、市场细分 | 聚类：谁和谁更像一类客户 |
| 异常检测 | 找出和大多数样本差别很大的点 |
| 推荐系统（部分环节） | 发现兴趣相近的用户群 |
| 高维数据可视化 | PCA 降维后画图、去冗余特征 |
| 数据增广、仿真 | 生成与真实数据相似的新样本 |
特点：没人事先告诉你「这条属于哪一类」，算法从数据本身挖结构。
强化学习 — 序列决策
| 场景 | 在干什么 |
|---|---|
| AlphaGo、游戏 AI | 下棋、打游戏，赢=奖励 |
| 机器人控制 | 走路、抓取，平衡=奖励 |
| 推荐 / 广告 | 长期点击、留存作 reward |
| 自动驾驶（部分决策） | 安全、舒适、效率综合优化 |
特点：没有逐步的标准答案，只有「做完一系列动作后好不好」的反馈。
那么，什么场景不太适合硬上 ML？
- 规则完全固定、几乎不变 → 手写 if-else 可能更简单
- 数据极少、且无法增广 → 模型学不稳
- 必须 100% 可解释、可审计 → 有时要选简单模型或规则
有数据、有规律、且规则复杂到写不完 —— 才是机器学习的主战场。
5. 数据、特征与标签是什么？
机器学习里所有代码和文章都绕不开这三个词。用一套房和一封邮件两个例子串起来。
数据（Data）— 一条条样本
机器学习吃的是样本的集合，常见形态：
- 表格：Excel / CSV 里一行 = 一个样本（最常见入门形式）
- 图片：一张图 = 一个样本
- 文本：一篇文章、一条评论 = 一个样本
本仓库数据集里都是表格数据，方便在PyCharm里直接打开对照。
特征（Feature）— 输入x，用来「描述」样本
每个样本由多个特征描述，记作 x1,x2,…或向量 x。
房价例子：
| 样本 | 面积（特征1） | 房龄（特征2） | 房间数（特征3） |
|---|---|---|---|
| 样本 A | 100 | 5 | 3 |
| 样本 B | 80 | 20 | 2 |
邮件例子：
| 样本 | 词频（特征1） | 链接数（特征2） |
|---|---|---|
| 邮件 1 | 0.3 | 5 |
| 邮件 2 | 0.01 | 0 |
所以，特征 = 模型的「题目条件」——你用什么信息来做判断。
标签（Label）— 输出 y，你要预测或已知的「答案」
监督学习里，每个样本还有一个标签 y：
| 任务 | 标签长什么样 | 例子 |
|---|---|---|
| 回归 | 连续数字 | 房价 = 280 万 |
| 分类 | 类别 / 0-1 | 是否 spam = 1，是否违约 = 0 |
房价表格（带标签）：
| 面积 | 房龄 | 房间数 | 房价（标签 y） |
|---|---|---|---|
| 100 | 5 | 3 | 280 |
| 80 | 20 | 2 | 220 |
邮件表格（带标签）：
| 词频 | 链接数 | 是否 spam（标签 y） |
|---|---|---|
| 0.3 | 5 | 1 |
| 0.01 | 0 | 0 |
所以标签 = 「标准答案」。训练时模型对照 y 改参数；测试时隐藏 y，看预测准不准。
无监督 / 强化里标签怎么说？
| 范式 | 有没有标签 y | 用什么代替 |
|---|---|---|
| 无监督 | 没有 y | 只有特征 x，算法自己找分组或结构 |
| 强化 | 没有固定 y | 用奖励 reward 告诉智能体「这一步好不好」 |
所以读后面文章时：看到「标签」默认指监督学习；无监督说「无标签数据」，强化说「reward」。
更多推荐
11
0- 0
已为社区贡献2条内容
所有评论(0)