什么是机器学习

机器学习

机器学习从字面来看可以理解为是“让机器去学习”。我们人类，从小到大一直都在不停地学习与进步。最终用学来的知识造福整个社会。如果让某台机器也去学习，那么它将会具备和人类类似的思维方式。也就是可以实现让机器去造福人类社会，这无疑就是时代的进步。那么，机器学习到底是要让机器学会什么呢？要回答这个问题，就需要从人类的学习讲起。我们回想一下学生时代。在课本中，告诉了我们加法的计算方法和一些例题。有了这些输入后，我们就去学习并掌握了关于加法的知识点。那么在考试中，即使我们没有见过101+205的例题，也可以轻松回答出答案是306。讲到这里，你可以思考这样的一个问题。如果能把人类学习的过程进行抽象，凝练成一些固定的方法；再用某个机器（程序、软件、或计算机）去批量化执行这些方法，那么这个机器是否能和人类一样具备学习能力，并最终掌握某项知识呢？这个问题就是机器学习这门学科要解决的问题，也是机器学习的初衷。

有了这个初哀后，机器学习要解决的首要问题就是如何把人类学习的过程进行抽象，并凝练成固定的方法。为了回答这个问题，就需要从人类的学习的过程入手。我们知道，几乎每一本教材都会有例题和习题，这就说明了，在学习某个知识时，最不可或缺的就是做题。人通过做题，对做题结果进行校验，并总结、归纳结果做对或做错的原因，逐渐地就掌握了某项知识。这个凝练的过程就是做题、校验、归纳这三个步骤。

三把金钥匙

人类学习是通过做题、校验、归纳，逐渐掌握某项知识。那么如果能把这些过程凝练成固定的方法和规则，机器就一定也可以具备学习的能力。对标人类的学习，机器学习也一定包含类似于“做题、校验、归纳”这样的三个步骤。在机器学习的知识体系中，我喜欢称之为机器学习的3把金钥匙，这3把金钥匙分别命名为“模型、策略、算法”。接下来，我们分别看一下这3把金钥匙是怎么一回事。

模型

3把金钥匙之一的模型对标人类学习过程中的做题。做题就是根据题目信息，输出答案的过程。如果用数学语言来描述就是一个函数y=f(w,x)。其中，x代表的是题目的输入信息，通常也叫作特征向量（feature vector）。y就是模型给出的答案，通常也叫作预测值。而模型要计算答案依赖某些参数，这里用W来统一代替。因此，上面的公式就是机器学习的第一把金钥匙。

策略

3把金钥匙之二的策略对标人类做题后得到结果的校验过程。校验就是拿计算的答案和标准答案比对的过程。对于机器学习也是一样的。先前的第一把金钥匙已经给了我们预测值y，而且每个特征向量对应的标准答案（真实值 $\hat{y}$ ）也是已知的。这样就可以通过某个函数，来衡呈预测值与真实值的距离，也就是结果有多对、或者有多错。在机器学习中，这个函数称为损失函数（Loss Function），用l（wW）来表示。如果用更泛化的数学语言来描述，就是

对于这个通式而言，x和 $\hat{y}$ 是已知呈。因此，损失函数是关于模型参数w的函数。这就是第二把金钥匙的数学表达式。

算法

3把金钥匙之三的算法，对标人类做题后，分析结果做对或做错的原因。根据第一把金钥匙，不难发现，题目做对或做错的关键原因在于W。第二把金钥匙又衡量了做对或做错的程度。那么，就可以通过调整w，让结果不断向做对的趋势前进。如果用数学语言来描述，那就是我们在第一课时中老生常谈的求极值。也就是说，学习的目标就是要找到让损失函数最小的W的值。因此，算法的数学表达式为

表达的意思是 w 可以让损失函数 L(w) 取得最小值。

我们对机器学习的3把金钥匙进行了梳理。你可能听说过线性回归、逻辑回归、决策树、神经网络等不同的机器学习模型，甚至还被这些模型不同的建模方法搞得晕头转向。但本质上，这些模型都会遵循上面所说的3把金钥匙。3把金钥匙对应3个数学表达式，也就是3个方程。你甚至可以简单粗暴地理解为机器学习就是解方程。只要你把这3个方程都解开，自然就学会了机器学习这门技术。

在讲述第二把金钥匙的时候，我们曾说特征向呈对应的标准答案（真实值 $\hat{y}$ ）是已知的。这句话在绝大多数的场景都是正确的，但在某些场景中并不成立。也就是说，在某些机器学习问题中，代表标准答案的真实值是未知的。在处理这些问题时，由于没有真实值，损失函数也就变得没有意义了。第二把金钥匙失效后，第三把金钥匙也就没有意义了。那么是否可以说，这类问题机器学习就无从下手了呢？其实，这一类问题叫做无监督学习。在机器学习中，真实值也被称作标签。按照学习的对象是否包含标签，可以将机器学习划分为两类。

• 对于标签未知的问题，叫作无监督学习；
• 对于标签已知的问题，叫作监督学习。

标签已知的问题，自然遵循了3把金钥匙的框架。而标签未知的无监督学习则不再遵循。回想一下人类的学习，如果标准答案未知，你的学习深度一定会非常浅，最多也就是对题目本身的信息做一些统计上的分析，比如，这道题符号很多，是数学题；另一道题都是之乎者也，是语文题。至于题目的答案，在没有知识储备的情况下，你就不知道了。自然的没有标准答案的学习效果会非常差。因此，无监督学习的效果是不如监督学习的效果的。

在监督学习中最具代表性的问题，是分类问题和回归问题。分类问题是对输入数据预测其归属于某个类别的过程，即预测结果为离散值。例如，预测某场足球寒的胜负关系，你可以理解为分类问题是选择题。回归问题是对输入数据预测其具体值的过程，即预测结果为连续值。例如，预测明天本市的降水量，你可以理解为回归问题就是填空题。绝大多数的监督学习问题，都可以被归属于这两个问题之一。对于无监督学习，问题可能会比较多变。