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 xx

模型的输入,比如面积

标签 yy

模型要预测的目标,比如房价

模型

一个带参数的函数

参数 w,bw, b

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(ww、bb)。

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:

  1. 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。

  2. "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?

  3. 一份用户购买记录,没有标签。你能用它做什么?不能做什么?

  4. 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?

  5. 模型里的 ww 和 bb,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 ww 和 bb"这件事,真做出来。

从一条直线开始。