机器学习（Machine Learning, ML）的核心思想是让计算机能够通过数据学习，从中推断出规律或模式，而不是完全依赖人工显式编写的规则与代码。
简单来说，机器学习就是让机器利用历史数据，自动提升自身决策和预测的能力。
机器学习简化工作流程：
- 收集数据：准备包含特征和标签的数据
- 选择模型：根据业务任务挑选合适的机器学习算法
- 训练模型：模型从数据学习模式，不断缩小预测误差
- 评估与验证：使用测试集检验模型性能，迭代优化
- 部署模型：把训练完成的模型投入真实场景做预测
- 持续改进：产生新数据后，定期更新、重训练模型
1. 数据输入：学习的基础
数据是机器学习的根基，没有数据模型就无法开展训练。数据集主要由输入特征和标签两部分组成：
- 输入特征（Features）：模型用来做预测的信息。例如房价预测任务中，房屋面积、地理位置、卧室数量都是特征。
- 标签（Labels）：我们希望预测的结果，可以是数字或者类别。房价预测案例里，房屋的真实价格就是标签。
模型的目标就是挖掘输入特征与标签之间内在关系，依靠这套关系对未知样本进行预测。
2. 模型选择：挑选合适的学习算法
模型（算法）是计算机学习、预测的工具，需要结合数据特点与业务任务选择。主要分为三大类：
- 监督学习模型：使用带标签的数据，学习特征与标签的映射关系。代表算法：线性回归、逻辑回归、支持向量机(SVM)、决策树。
- 无监督学习模型：使用无标签数据，挖掘数据内部隐藏结构。代表算法：K‑means聚类、主成分分析（PCA）。
- 强化学习模型：智能体和环境交互，依靠奖励与惩罚学习最优行为。代表算法：Q‑learning、深度Q网络（DQN）。
3. 训练过程：让模型从数据中学习
训练阶段，模型基于历史数据学习特征与标签之间的联系，核心是通过最小化**损失函数（Loss Function）**调整模型参数。训练的完整过程如下：
- 初始状态：模型参数使用随机值初始化。
- 计算预测：输入样本，模型基于当前参数输出预测结果。
- 计算误差（损失）：对比预测输出与真实标签，量化两者差距。回归任务常用均方误差MSE衡量误差。
- 优化模型：借助梯度下降、反向传播等优化算法，持续调整模型参数，降低预测误差。
反复循环以上步骤，直到模型在训练数据上获得较好的预测效果，训练阶段结束。
4. 验证与评估：检验模型真实性能
训练完成不能直接上线，需要评估模型泛化能力。为了防止过拟合，数据集会拆分为训练集和测试集：
- 训练集：专门用来训练模型；
- 测试集：仅用于评估，训练过程不参与。
常用评估指标：
- 准确率（Accuracy）：分类任务，样本被正确预测的占比；
- 均方误差（MSE）：回归任务，衡量预测值和真实值之间的偏差；
- 精确率（Precision）、召回率（Recall）：多用于类别不平衡的二分类场景；
- F1分数：精确率与召回率的调和平均，综合衡量分类模型性能。
5. 优化与调整：提升模型精度
当模型在测试集效果达不到业务要求，需要进行优化调整，常见手段：
- 调整超参数：学习率、正则化系数、决策树深度等，超参数在训练开始前设定，直接影响模型学习效果；
- 更换或融合模型：尝试不同算法，使用集成学习（随机森林、XGBoost）提升效果；
- 数据增强：扩充训练数据集，例如图像旋转、翻转，增强模型泛化能力。
6. 模型部署与预测：投入实际业务
模型经过验证达标后，就可以部署到生产环境：
- 模型部署：将训练完成的模型嵌入网站、APP、后端服务；
- 实时预测：线上新数据送入模型，模型使用学到的规律输出预测、分类结果。
注意：本地测试效果优秀的模型，上线后面对真实世界数据，有可能出现效果下滑。
7. 持续学习与模型更新
机器学习系统不是一次性项目。现实业务会源源不断产生新数据，数据分布会发生变化，模型需要定期重训练更新。可以使用在线学习、迁移学习等技术维持模型预测性能。
本章小结
- 机器学习不靠人工写死全部规则，依靠数据自动学习模式规律；
- 数据集由特征和标签构成，训练、测试数据集需要分开；
- 训练本质：随机初始化参数 → 做预测 → 计算损失 → 优化更新参数，循环迭代；
- 损失函数衡量预测误差，梯度下降等算法用来更新模型参数；
- 项目完整闭环：收集数据→选模型→训练→评估调优→部署→持续迭代更新。
思考题
- 特征和标签分别代表什么？举一个简单例子说明。
- 训练集与测试集的作用是什么，为什么测试集不能参与训练？
- 模型上线之后，为什么还需要持续更新训练？
0 条笔记