回顾
第 1 章做了什么
三件事,一件比一件具体。
先说了这条路走不通。 用 if 写规则,规则永远补不完——对方一变,你就得加一条。还有一些任务连规则都写不出来:你怎么用 if 描述"这是一只猫"?
然后换了个方向。 不给规则,给例子。给机器十万封标注好的邮件,它自己找出一套判断规则。这件事说到底只有一句:从数据里找出一个函数。
最后把问题分了类。 按训练时有没有标准答案,分成监督、无监督、强化学习。监督学习内部再按标签类型分成回归和分类。
后面 14 章全在这张地图上。
术语表
概念 | 一句话 |
|---|---|
机器学习 | 从数据里找出一个函数,而不是人手写规则 |
样本 | 一条数据,表格里的一行 |
特征 | 模型的输入,比如面积 |
标签 | 模型要预测的目标,比如房价 |
模型 | 一个带参数的函数 |
参数 | 模型内部可调的数字,不同取值给出不同预测 |
监督学习 | 训练数据带答案 |
无监督学习 | 训练数据没有答案,找数据自身的结构 |
强化学习 | 与环境交互,靠奖励学策略 |
回归 | 标签是连续的值 |
分类 | 标签是离散的类别 |
三个容易搞混的地方
一、监督和无监督,区别在于有没有标签,不在于任务叫什么名字。
"给用户分群"听起来像有目标,但如果你没有告诉模型"哪几个人应该是一组",它就是无监督。 "垃圾邮件识别"听起来像个判断任务,但每封邮件都标了"是 / 否",它就是监督。
二、回归和分类,区别在于标签是什么,不在于预测什么东西。
"明天会不会下雨"是分类(标签是 会 / 不会)。 "明天下多少毫米"是回归(标签是数字)。
同一个问题两种定法都成立,取决于你把标签定义成什么。
三、特征和参数,一个是给的,一个是学的。
特征是你从数据里读出来的(面积、房龄)。 参数是模型自己调出来的(、)。
训练的过程,就是固定住特征、不断调整参数。
自测
合上这一章,能答上来就说明学明白了:
为什么"用 if 写规则"在垃圾邮件上会失败?举一个具体的对抗例子。
"从数据里找出一个函数"——这句话里的"函数",输入和输出分别是什么?
一份用户购买记录,没有标签。你能用它做什么?不能做什么?
房价预测是回归还是分类?如果改成"这套房会不会在三个月内卖掉"呢?
模型里的 和 ,是数据给的还是学出来的?
下一章
下一章只做一件事:把"找出一组合适的 和 "这件事,真做出来。
从一条直线开始。