机器学习简单描述

机器学习主要用历史数据（含有结果，或者说标签）训练出模型，以便让这个模型对新的数据（不含结果）能够进行预测（要结果）。
训练的时候：一般思路都是让误差尽可能地小，但是误差越小的模型，对新的数据进行预测时可能结果并不满意。
就是说这个模型对历史数据是适合的，但是对其他新的没见过的数据，它的预测结果不一定好，就是说这个模型的泛化能力下降
所以，对训练出来的模型，我们还需要进行评估，看看训练出来的模型的准确率等指标如何，以检查它的泛化能力
评估时用的数据和刚才训练时用的数据肯定不能是同一批，否则看不出模型的泛化能力
所以，一般会把历史数据分为2部分，一部分用来训练，一部分用来测试。用来训练的数据叫训练集（训练数据），测试的叫测试集（测试数据）
机器学习简单的步骤：分离数据为训练数据和测试数据；用训练数据来训练出模型；用测试数据来评估模型；评估指标满意，就把新的数据“喂”给模型用来预测