什么是机器学习？

机器学习 - 什么是机器学习？

考虑一个常见的问题：预测房价。如果我们绘制不同房屋的价格与其大小（例如，平方英尺）之间的关系图，可能会看到一些散点。例如，想象一个图，横轴代表 ‘House Size (sq. ft.)’，纵轴代表 ‘House Price ($)‘。随着房屋大小的增加，价格通常趋于上涨，因此这些点可能会显示出上升趋势。

机器学习 (Machine Learning) 允许我们分析这些数据。我们可以将这些已知的数据点（房屋大小及其对应的价格）输入到机器学习算法中。算法的任务是找到一种关系，通常是通过尝试找到一条“最佳拟合”直线穿过这些点。一旦确定了这条直线（或模型），我们就可以用它来预测已知大小的新房子的价格。如果我们输入测试数据中已知的一个房屋大小，机器将根据学到的直线返回一个估计价格。然后我们可以将这个预测值与实际价格进行比较，看看我们的模型效果如何。这条直线也可以外推，用来估计比我们原始数据集中任何房屋都大的房子的价格，例如，一个 3000 sq. ft. 的房子。这种预测连续值（如价格）的过程是一种统计任务，称为回归 (regression)。如果这种关系可以用直线表示，则特指线性回归 (linear regression)。

然而，数据中的关系并非总是线性的。在许多情况下，输入特征 (input features)（如房屋大小）与输出（如价格）之间的联系可能更复杂，用曲线表示比用直线表示更好。例如，想象一个数据集，数据点明显遵循曲线模式，而不是直线模式。任务就变成了找到能够准确模拟这种非线性关系的“最佳拟合曲线”，然后可以用它来进行预测。

机器学习 (Machine Learning) 的核心在于使用能够从数据中学习的算法来寻找这种关系或模式。这些算法通常采用优化技术 (optimization techniques)——一种迭代过程，用于调整模型的参数 (parameters)（如直线的斜率和截距，或曲线的系数），以最小化在已知数据上的预测误差。通过从过去的例子中学习，机器能够对新的、未见过的数据做出预测或决策。

接下来，让我们看看机器学习的不同类别。