机器学习（Machine Learning，简称 ML）是人工智能领域的一个分支，也是人工智能的核心，其涉及知识非常广泛，比如概率论、统计学、近似理论、高等数学等多门学科。
目录
1.1 何为机器学习
一般情况下，人们很难直接从原始数据本身获取所需要的信息。例如，对于垃圾邮件的检测，侦测一个词语是否存在并没有太大的作用，然而当某几个特定的词语或语句同时出现时，人们就可以利用自己的“经验”更准确地判定该邮件是否为垃圾邮件。上面对经验的利用是靠我们人类自身完成的，计算机能帮忙吗？
机器学习正是这样的一门学科，在计算机中，“经验”通常以数据的形式存在。它最主要的一项工作就是基于数据产生“训练模型”（在面对新的情况时，模型会给我们提供相应的结果判断），产生训练模型的过程就是机器学习算法实现的过程，这里的算法和我们经常提及的算法有些区别，比如插入排序、归并排序等，它们的结果都是“计算出来的”，只要确定输入，就可以给定一个值，而机器学习的算法是“猜”出来的，既然是猜，那么就会有对有错，机器学习会根据猜的“结果”，不断的优化模型，从而得出正确率最高的“结果”。
1.1.1 机器学习非常重要
大量的经济活动都依赖于信息，我们不能在海量的数据中迷失，机器学习将有助于我们穿越数据雾霾，从中抽取出有用的信息。
正如谷歌公司的首席经济学家Hal Varian所说的那样：
如何解释数据，处理数据，从中抽取价值，展示和交流数据结果，在未来十年将是最重要的职业技能，甚至是大学，中学，小学的学生也必须具备的技能，因为我们每时每刻都在接触大量的免费信息，如何理解数据，从中抽取有价值的信息才是其中的关键。
——McKinsey Quarterly
1.1.2 关键术语
下面通过以构建“西瓜数据集”为例，我们将接触机器学习涉及的常用术语。
| 编号 | 色泽 | 根蒂 | 敲声 | 好瓜 |
| 1 | 青绿 | 蜷缩 | 浊响 | 是 |
| 2 | 乌黑 | 蜷缩 | 浊响 | 是 |
| 3 | 青绿 | 硬挺 | 清脆 | 否 |
| 4 | 乌黑 | 稍蜷 | 沉闷 | 否 |
如上表所示，这组记录的集合称为一个“数据集”，其中每条记录是关于一个事件或对象（这里是一个西瓜）的描述，称为“样本”。比如我们可以这么说：上表的“数据集”是由4个样本（每一行是一个样本）组成的；反映对象在某方面的性质的事项，例如“色泽”“根蒂”“敲声”，称为“属性”或“特征”；属性上的取值，例如“青绿”“乌黑”，称为“属性值”；由属性张成的空间称为“属性空间”或“样本空间”或“输入空间”，例如我们把“色泽”“根蒂”“敲声”作为三个坐标轴，每个西瓜都可在这个空间中找到自己的坐标位置。由于空间中的每个点都对应一个坐标向量，因此我们也把一个样本称为一个“特征向量”。
1) 模型
模型这一词语将会贯穿整个教程的始末，它是机器学习中的核心概念。你可以把它看做一个“魔法盒”，你向它许愿（输入数据），它就会帮你实现愿望（输出预测结果）。整个机器学习的过程都将围绕模型展开，训练出一个最优质的“魔法盒”，它可以尽量精准的实现你许的“愿望”，这就是机器学习的目标。
2) 数据集
数据集，从字面意思很容易理解，它表示一个承载数据的集合，如果说“模型”是“魔法盒”的话，那么数据集就是负责给它充能的“能量电池”，简单地说，如果缺少了数据集，那么模型就没有存在的意义了。数据集可划分为“训练集”和“测试集”，它们分别在机器学习的“训练阶段”和“预测输出阶段”起着重要的作用。
3)训练集&假设
从数据中学得的模型，称为“学习”或“训练”。这个过程通过执行某个学习算法完成，训练过程中使用的数据称为“训练数据”，其中每一个样本称为“训练样本”，由“训练样本”组成的集合称为“训练集”。学得模型对应了关于数据的某种潜在的规律，因此亦称“假设”，假设可以理解成“模型”；这种潜在的规律自身，则称为“真相”。学习的过程就是为了找出或逼近真相。
4)测试集
在获得“训练模型”后，我们还需要知道用该模型来预测其他情况的结果的效果好不好，所以需要引入“测试集”，如果该模型也能够很好的预测出“测试集”的结果，那么我们可以认为“训练模型”非常接近“真相”。
5)标记信息
如上表，例如，其中一个样本为“（（色泽=青绿；根蒂=蜷缩；敲声=浊响），好瓜）”，这里关于样本结果的信息，例如“好瓜”，称为“标记”；拥有标记信息的示例，则称为“样例”。注意：分类和回归问题需要使用带“标记”的数据，聚类使用的数据集一般不拥有标记信息。
6)分类&回归
若我们欲预测的结果是离散值（即标记是离散的），例如“好瓜”“坏瓜”，此类学习任务称为“分类”；若欲预测的是连续值（即标记是连续的），例如西瓜的成熟度0.95，0.37.此类学习任务称为“回归”。
7)聚类
我们还可以对西瓜做“聚类”，相关算法将自动将训练集中的西瓜分成若干组，每组称为一个“簇”。这些自动形成的簇可能对应一些潜在的划分，比如“本地瓜”“外地瓜”。需注意的是，在聚类学习中，像“本地瓜”“外地瓜”这些概念我们事先是不知道的，“簇”是计算机自动识别数据进行的划分，而且学习过程中使用的训练集样本不拥有标记信息。
根据训练数据是否拥有标记信息，学习任务可大致划分为两大类：“监督学习”和“无监督学习”，分类和回归是前者的代表，而聚类是后者的代表。
以上主要介绍了机器学习领域涉及的关键术语，后序章节将会在必要时引入其他的术语，这里就不再进一步说明。
1.1.3 机器学习的主要任务
1.2 监督学习
我们用一个例子介绍什么是监督学习，把正式的定义放在后面介绍。假如说你想预测房价。
已知你收集了一些房价的数据。你把这些数据画 出来，看起来是这个样子：横轴表示房子的面积，单位是平方英尺，纵轴表示房价，单位是 千美元。那基于这组数据，假如你有一个朋友，他有一套 750 平方英尺房子，现在他希望把 房子卖掉，他想知道这房子能卖多少钱。
那么关于这个问题，机器学习算法将会怎么帮助你呢？
我们可以在这组数据中画一条直线，或者换句话说，拟合一条直线，根 据这条线我们可以推测出，这套房子可能卖$150,000，
当然这不是唯一的算法。可能还有更 好的，比如我们不用直线拟合这些数据，用二次方程去拟合可能效果会更好。
根据二次方程 的曲线，我们可以从这个点推测出，这套房子能卖接近$200,000。（之后我们将讨论如何选择 学习算法，如何决定用直线还是二次方程来拟合。两个方案中有一个能让你朋友的房子出售 得更合理。这些都是学习算法里面很好的例子。）以上就是监督学习的例子。
可以看出，监督学习指的就是我们给学习算法一个数据集。这个数据集由“正确答案”组 成。在房价的例子中，我们给了一系列房子的数据，我们给定数据集中每个样本的正确价格， 即它们实际的售价然后运用学习算法，算出更多的正确答案。用术语来讲，这叫做回归问题。我们试着推测出一个连续值的结果，即房子的价格。
回归这个词的意思是，我们在推测出的这一系列连续值属性。
我再举一个有关分类问题的监督学习的例子
让我们来看一组数据：这个数据集中，横轴表示肿瘤的大小，纵轴上，我标出 1 和 0 表 示是或者不是恶性肿瘤。我们之前见过的肿瘤，如果是恶性则记为 1，不是恶性，或者说良 性记为 0。 我有 5 个良性肿瘤样本，在 1 的位置有 5 个恶性肿瘤样本。现在我们有一个朋友很不幸 检查出乳腺肿瘤。假设说已知她的肿瘤的大小，那么机器学习的问题就在于，你能否估算出 肿瘤是恶性的或是良性的概率。用术语来讲，这是一个分类问题。
分类指的是，我们试着推测出离散的输出值：0 或 1 良性或恶性，而事实上在分类问题 中，输出可能不止两个值。比如说可能有三种乳腺癌，所以你希望预测离散输出 0、1、2、 3。0 代表良性，1 表示第 1 类乳腺癌，2 表示第 2 类癌症，3 表示第 3 类，但这也是分类问 题。
1.3 无监督学习
在无监督学习中，我们已知的数据。看上去有点不一样，不同于监督学习的数据的样子， 即无监督学习中没有任何的标签或者是有相同的标签。所以我们已知数据 集，却不知如何处理，也未告知每个数据点是什么。别的都不知道，就是一个数据集。你能 从数据中找到某种结构吗？
针对数据集，无监督学习就能判断出数据有两个不同的聚集簇。
这是一个，那是另一个，二者不同。是的，无监督学习算法可能会把这些数据分成两个不同 的簇。所以叫做聚类算法。事实证明，它能被用在很多地方。
聚类应用的一个例子就是在谷歌新闻中。如果你以前从来没见过它，你可以到这个 URL 网址 news.google.com 去看看。谷歌新闻每天都在收集非常多的新闻内容。 它再将这些新闻分组，将有关联的新闻组合到一起。所以，这些新闻事件全是同一主题的显示到一起。
最后，无监督学习也可用于天文数据分析，这些聚类算法给出了令人惊讶、有趣、有 用的理论，解释了星系是如何诞生的。这些都是聚类的例子，聚类只是无监督学习中的一种。
下一篇：单变量线性回归
6145
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
