机器学习入门-2：定义

来源：https://www.cnblogs.com/subconscious/p/4107357.html
从广义上来说，机器学习是一种赋予机器学习的能力，依此让它完成直接编程无法完成的功能的方法。
但是从实践的意义来说，机器学习是一种通过利用数据，训练处模型，再使用模型预测的一种方法。

拿国民话题的房子来说，现在我要卖一栋房子，售价多少？房子的面积是100平米，价格是100万，120万还是140万？
很显然，我希望获得房价与面积的某种规律。那么我该如何获得这个规律？用报纸或网上的平均数据？参考别人面积相似的？无论哪种，都不靠谱！
我现在希望获得一个合理的，并且能够最大程度地反应面积与房价关系的规律。于是我调查了周边与我房型类似的一些房子，获得一组数据。我希望从这组数据中找到面积和价格的关系，最终得到我房子的准确售价。
对该规律的寻找，很简单。拟合出一条直线，让它“穿过”所有的点，并且与各个点的距离尽可能小。通过这条直线，我获得了一个能够最佳反应房价与面积的规律，如下函数：
房价=面积*a+b
假设a=0.75，b=50，则房价=100*0.75=125万，这个结果与我前面所列的100万、120万、140万都不一样。由于这条直线综合了大部分的情况，因此，从“统计”的角度来说，125万是个最合理的预测。

在求解过程中，透漏出了2个信息：
1.房价模型是根据拟合的函数类型决定的。如果是直线，那么拟合出的就是直线方程。如果是其他类型的线，如抛物线，那么拟合出的就是抛物线方程。机器学习有众多算法，一些强力算法可以拟合出复杂的非线性模型，用来反映一些不是直线所能表达的情况。
2.如果我的数据越多，我的模型就能考虑越多的情况，由此对新情况的预测效果可能就更好。这就是机器学习界“数据为王”思想的一个体现。一般来说（不是绝对），数据越多，最后机器学习生成的模型预测的效果就越好。

机器学习的过程：
(1)在计算机存储历史的数据；
(2)通过计算机算法处理数据，即“训练”，处理的结果就是模型；
(3)使用模型对新数据进行预测，即“预测”；
“训练”与“预测”是机器学习的两个过程。“模型”是“训练”的中间输出结果。“训练”产生“模型”，“模型”指导“预测”。

人类对“经验”进行“归纳”，获得了生活的“规律”。当人们遇到新问题或对未来进行“推测”时，就会利用这些“规律”，为新问题与未来进行“预测”。
从上图可以发现，机器学习中的“训练”与“预测”可以对应到人类的“归纳”和“预测”。通过对比，可以发现，机器学习的思想并不复杂，仅仅是对人类在生活中成长的一个模拟。