什么是机器学习？#

你可能经常听到“机器学习”这个词，但它到底是什么意思呢？

机器学习的目标是创建能够从过去经验中学习，并将学到的知识应用到新情况中的算法。

我们来看一个例子。

假设我们想创建一个基于机器学习的垃圾邮件过滤系统。为此，我们需要收集一些过去收到的邮件，其中既包括正常邮件，也包括被标记为垃圾邮件的邮件，并把这些邮件连同对应的标签一起输入给算法。

算法会尝试学习如何区分这两类邮件。当学习过程完成后，我们的模型就能够分析新的邮件，并将垃圾邮件过滤出来。

在机器学习中，模型（model） 指的是算法从数据中学习得到的结果，也就是算法运行在数据上的输出。

模型和机器学习算法的区别是：

• 算法：只描述了处理问题的步骤和方法
• 模型：包含了数据以及这些方法，并能够用来进行预测

关键的一点是：
我们并不会告诉算法垃圾邮件和正常邮件有什么具体区别，而只是给它展示一些历史示例，让算法自己找出规律。

是不是很神奇？

还需要注意的是，不同用户对于垃圾邮件的定义可能不同。例如，一封关于机器学习夏令营的邮件对你来说可能很有价值，但对于一个研究中世纪音乐的人来说可能就是垃圾邮件。

因此，如果把同一个机器学习算法应用在不同的数据集上（例如你的邮箱和你朋友的邮箱），最终得到的垃圾邮件过滤器也会完全不同。

机器学习可以用于解决很多不同的问题。
大体来说，机器学习主要有三种设置：

• 监督学习（Supervised Learning）
• 无监督学习（Unsupervised Learning）
• 强化学习（Reinforcement Learning）

需要注意的是，这种分类并不是绝对的，也存在一些混合方法。

监督学习（Supervised Learning）#

在监督学习中，我们的目标是：

在带有正确答案的数据上训练模型，然后预测新的数据结果。

这种带有正确答案的数据被称为带标签数据（labeled data）。

模型的目标是学习数据与标签之间的关系，并在给定输入时预测正确的输出。

如果标签只有少数几个离散值，这类问题称为分类问题（classification）。

例如：

• 垃圾邮件检测
  • 类别：垃圾邮件 / 正常邮件

再举一个例子：

我们想训练一个模型识别手写数字。

每张图片必须属于 0 到 9 的 10 个类别之一。

另一个分类例子是文本分类。

例如一篇文章可能属于以下主题：

• 政治
• 经济
• 体育
• 文化
• 爱好

一篇文章可能同时属于多个类别，例如：

• 政治 + 经济
• 体育 + 爱好

模型的任务就是预测每篇文章属于哪些主题。

如果标签是数值型数据，问题就被称为回归问题（regression）。

例如：

• 根据教育、职业和背景预测一个人的年收入
• 根据房屋位置和面积预测房价

无监督学习（Unsupervised Learning）#

另一种机器学习方式是无监督学习。

在这种情况下，输入数据没有标签，也就是说我们不知道正确答案是什么。

一个典型的无监督学习算法是聚类（clustering）。

它的目标是根据数据之间的相似度，将数据分成多个簇（cluster）。

例如：

市场研究

企业可以根据消费者的购买行为，将消费者分成不同的群体。

生物信息学

科学家可以通过聚类分析找到具有相似功能的基因。

无监督学习还经常用于解决异常检测（anomaly detection） 问题。

目标是自动检测明显不同于正常数据的异常事件。

异常检测广泛应用于：

• 银行欺诈检测
• 航空安全系统
• 健康监测系统

监督学习和无监督学习的主要区别在于：

• 监督学习：使用带标签的数据，模型知道正确答案
• 无监督学习：没有标签，算法必须自己发现数据中的结构

强化学习（Reinforcement Learning）#

在强化学习中，我们有一个智能体（agent） 与环境进行交互。

智能体通过不断试错（trial and error） 来找到最优策略。

问题通常被描述为：

通过采取不同的行动来最大化奖励（reward）。

与监督学习不同：

• 没有现成的数据告诉我们最佳策略
• 没有“正确标签”

强化学习的现实应用包括：

金融领域

仅靠历史数据可能不足以决定何时买入、卖出或持有股票，而强化学习可以学习最大化收益的策略。

最著名的强化学习应用之一是 AlphaGo。

AlphaGo 结合了：

• 监督学习
• 强化学习

它在 2015 年首次击败职业围棋选手。

总结#

机器学习算法可以从已有数据中学习，并将学到的知识应用到未知数据中。

• 监督学习：从数据中学习预测目标变量
• 无监督学习：探索数据中的隐藏结构
• 强化学习：通过试错寻找最优策略