机器学习的原理是不是类似应试的学习方式？

我们先来看机器学习的原理是什么？

我们先看看定义，一个“机器”是否算学习，就看这个“机器”在利用已有材料的基础上有效完成了给定的任务。这里就涉及了几个关键字，机器、材料、有效、任务。用专业术语来说就分别对应了，程序、数据集(经验)、性能度量、任务。

由此可知这个学习的定义是唯结果论的。如果性能，尤其是泛化性能，如果不佳，就认为学习是不合格的。

我们来类比下，机器学习和我们平时学习的相似处。比完后，我们会发现机器学习的概念其实是很好理解的。

学习都是基于任务的

有个人总结出了一个天下没有午餐定理。大意就是说没有一个算法可以在所有事情上都做得很好。也就是没有一个通用学习算法可以在所有学习任务上都表现不错。

类比到我们的学习中，就等于说没有一个人，他可以在所有知识的学习中都拿第一一样。比如有的学生体育很好，但其他成绩未必就很好。有的擅长写作，未必就擅长数学。有的必修功课很好，唱歌就怎么学的都五音不全。有没有一个学生能把所有的功课都学到最好呢？几乎没有，因为时间和精力不够，而且天赋也各有侧重。可能有读者反驳，也有学生任何功课都能拿第一的。这是因为学校的学习是一个非常有限的学习，样本几乎是固定没什么太多变化的，经过多次学习和老师的“标签式”监督指导，是很容易拟合样本规律的。

学校学习的任务很简单就是掌握书本上的知识，并能应用。

机器学习的任务也是如此，比如分类，就是把样本分成特征差异比较明显的几类。

学习都是要看效果的

什么叫学习？在机器学习里，就用性能来度量。性能度量的方式有很多种方法，但本质上都是衡量学习到东西是否能应用到未知的问题上，考核的标准是把有标签的样本交给这个模型去验证，看模型得出的结果跟已知的标签之间的差异程度，差异越小，当然效果就越好。

学校学习也是如此，学生学得好不好，怎么看？就是各种摸底考，考试成绩高的，就是与参考答案差异越小的。

在这点上，这两个是很相似的。

学习都是有学习材料的

学校的学习都是基于教材和讲义，是把书本的知识跟自己的认知对接上。而书本的知识某种程度上也是基于对世界认知的样本，样本越多越丰富，我们理解得就越深刻。

机器学习也是如此，机器的学习能力就是对样本的拟合能力，如果样本能代表真实世界的主要部分，那么就有可能得到的结论接近真实。所以样本的多样性和数量，会影响到学习的结果。

学习是需要训练的

学校的学习，不止接收，还需要反复的训练，背诵、默写、理解、做题、月考、摸底考，根据考试结果，调整练习计划。一道题从不同角度，利用不同的知识解答等等。

机器学习也是一样的。样本大的时候，要从样本中提取与学习任务相关的信息。样本小时，就要做多折交叉验证，反复折腾样本。甚至还要左右互搏，故意制造一些干扰，去检验是否还能识别学到的东西（对抗学习）。

这么一说，大家是不是觉得，神秘莫测的机器学习，其实就是我们从小到大学习过程的模拟？