002 机器不学习 介绍（二）

在

001 机器不学习 | 介绍（一）

的最后提到，机器学习就是：

找到一个函数

给它输入

它输出结果很不错

那么问题来了，怎样才能找到这个函数呢？怎么样的输出结果才叫很不错呢？下面我们就来探讨一下。

不过在这之前要先弄明白，这里所说的一个函数并不是说要找一个统一的、能解决所有问题的函数（不太可能有这样的函数吧），而是针对某一个问题，存在一个函数在解决这个问题时表现很不错。

下文的描述中，假设都是针对某一个问题，目标是找到一个解决这个问题时表现“最好”的函数。

下面我们开始介绍机器学习的步骤！

第一步：选择合适的模型

我们画一个方框表示所有可能的函数，你能想到的、想不到的函数都在这个方框里。

很容易想象，这个方框里一定会有我们要找的那个函数。不妨把这个函数表示成方框内的一个点：

找这一个函数也太难了吧！！！

把这个点画大一点啊喂！！（好的

不管那么多，就是干！我们在大框框里“随便”画个小框框！

运气真好！正好把要找的这个函数包含进去了，范围还缩小了那么多！我们画的这一个小框框同样包含一系列函数，这些函数具有相似的特征，我们把这个小框框叫做一个函数集合。

这个函数集合在机器学习中就是一类模型（Model），而找函数集合的过程就是在选择模型，这个模型要(尽可能)包含我们要找的那个函数，同时还不要太复杂。

这就是机器学习第一步：

选择合适的模型

举个例子，假设我们选择的函数集合里的函数都长这个样子：

这是一个线性模型，x表示模型的输入，f(x)表示在x的输入下模型的输出，k和b是这个模型的参数。

我们可以通过调整 k 和 b 的值得到不同的模型，这些模型都有相似的特征，在图像上都是一条直线。

在解决实际问题中，我们的输入和输出可能不止一维（可以理解成输入和输出不止一个），输入和输出之间的关系也可能更加复杂（非线性的），因此需要具体问题具体分析，选择适合的模型。

后续的更新就是围绕着各种机器学习的模型来进行讲解。

现在我们先假设输入和输出就只有一个，并且选定线性模型来解决问题，接下来要怎么做呢？

第二步：判断模型的好坏

在选定线性模型之后，还有模型参数k和b等待我们去确定，这时我们就要收集数据来帮助我们确定模型的参数。

由于待解决问题来源于实际，我们可能只能在自然条件下进行观察（可能无法指定一个输入x得到一个输出y），就像是封一个在玻璃柜里的黑盒。但是我们可以通过观察收集到一些输入、输出数据。

我们先随意选一组模型参数 k=1和b=0，模型就变成：

收集到的数据看看这个模型表现得怎么样。

给模型一个输入x，看看模型的输出f(x)和实际的ŷ（在 y 的头顶加一个 ^ 表示真实值）差距是多少。一般来说，我们希望差距越小越好！

这就是机器学习第二步：

判断的模型好坏

我们把模型的一项输出f(x)和实际的ŷ的差距叫做这一项的误差（error），模型的误差就是把每一项的误差进行求和。那么怎么定义每一项的误差呢？

最直观的方法，把ŷ 和 f(x) 相减得到的结果当作误差：

但这样得到的误差有正有负，会相互抵消，这不是我们想要的结果！

正负误差不应互相抵消，我们可以取绝对值再求和，就能把每一项的误差加起来了。

但是绝对值在实际运算中，需要判断正负号，干脆直接取平方，所以每一项的误差变成：

最后把每一项误差求和，得到模型的误差。

模型的误差是由模型的输出、真实值共同决定的，所以模型的误差是关于模型的输出和真实值的一个函数，我们把这个函数叫做模型 f 的损失函数（Loss Function），记作 L(f)

输出结果是数值的问题，我们可以这么定义损失函数，但如果输出的结果是分类时，我们应该怎么定义损失函数呢？

在后续的更新中，会介绍针对不同的模型，如何定义它们的损失函数。

第三步：训练模型

在定义损失函数之后，我们就可以衡量一个模型的好坏了。在上一步中，我们为模型设置了一组参数，得到一个模型。把收集的数据输入到这个模型中，用定义的损失函数检验模型的好坏。

如果模型得表现十分糟糕，说明模型的参数不太正确，需要重新调整参数。

如果模型表现得还不错，就看看能不能再调整一下参数，让模型变得更好。

根据收集的数据，不断调整模型的参数，使模型表现有所改变的过程，我们称为训练（Train），用作训练模型的数据称为训练数据（Training Data）。

这就是机器学习第三步：

训练模型

那么该如何调整模型的参数让模型变得更好呢？

你懂的

最后，通过一些例子，简单概括一些名词。

回归（Regression）：模型的输出是一个数值（scalar）。

预测明天的AQI

84

分类（Classification）：模型的输出是一个向量（vector）。

邮件分类

开piao

这是垃圾邮件

结构化学习（Structured Learning）：模型输出是一个对象（object），可理解为除了回归、分类以外的问题。

信息检索

附近的美食

一食堂、二食堂、三食堂

有监督学习（Supervised Learning）：模型训练的时候，把标注告诉机器，再给机器别的数据，机器会告诉你更像哪个标注。

识别猫和狗

这是猫

这是狗

比较像猫

无监督学习（Unsupervised Learning）：模型训练的时候，不把标注（labelled）告诉机器，机器自己归类。

识别猫和狗

我觉得是这样子的

半监督学习（Semi-supervised Learning）：介于有监督学习和无监督学习之间，大多数情况下，拥有一丢丢有标注的数据和大量的无标注的数据（比较符合现实情况）。

识别猫和狗

迁移学习（Transfer Learning）：把一个领域的知识迁移到另一个领域。

强化学习（Reinforcement Learning）：让机器不断地尝试，从错误中学习，最后找到规律，学会达到目的的方法。

机器人客服

你好

......

你好

......

你好

再见

滚

（我是不是应该说你好）

这一部分概括得比较简单，目的是让大家大致了解一下这些名词的含义。

机器学习的介绍到这里就结束啦！从下一次开始，正式进入机器学习模型和方法介绍，敬请期待！

各位小伙伴有什么建议或者想法，欢迎留言！