机器学习与深度学习 / 系统课时
认识机器学习
认识机器学习
学习目标
完成本课后,你将能够:
- 说明机器学习要解决的核心问题
- 区分规则驱动程序与数据驱动模型
- 判断一个业务问题是否适合使用机器学习
机器学习解决什么问题
机器学习的目标不是让计算机“像人一样思考”,而是让程序从历史数据中学习输入与输出之间的规律,并把这个规律用于新数据。传统程序通常由开发者编写明确规则:
text
输入数据 + 人工规则 -> 输出结果机器学习则把历史样本交给训练算法:
text
历史输入 + 历史答案 -> 训练算法 -> 模型
新输入 + 模型 -> 预测结果当规则数量过多、边界难以穷举或规律会随数据变化时,机器学习通常比手工规则更合适。
传统编程与机器学习的区别
| 对比项 | 传统编程 | 机器学习 |
|---|---|---|
| 规则来源 | 开发者明确编写 | 从数据中学习 |
| 适合问题 | 规则清楚、结果确定 | 规律复杂、允许概率判断 |
| 输出性质 | 通常确定 | 通常带有误差或置信度 |
| 维护方式 | 修改代码规则 | 更新数据、特征或模型 |
| 典型示例 | 税费计算、权限判断 | 垃圾邮件识别、销量预测 |
例如,“订单金额大于 1000 元就人工审核”属于明确规则;“根据设备、地区、时间和历史行为判断订单欺诈概率”更适合机器学习。
判断问题是否适合机器学习
可以使用下面四个问题进行判断:
- 是否存在足够数量且质量可接受的历史数据。
- 历史数据中是否包含可学习的规律,而不是纯随机结果。
- 业务是否允许一定误差,并能定义可量化的评价指标。
- 预测结果是否会被用于实际决策,而不是只做展示。
如果没有历史标签、结果必须百分之百正确,或者只需几条固定规则即可完成,就不应优先使用机器学习。
一个最小预测示例
下面使用 scikit-learn 根据学习时长预测考试分数。示例只展示“数据、训练、预测”三个基本环节。
python
from sklearn.linear_model import LinearRegression
# 每行代表一名学生的学习时长,二维结构符合模型输入要求
study_hours = [[1], [2], [3], [4], [5]]
scores = [52, 58, 65, 73, 80]
model = LinearRegression()
model.fit(study_hours, scores)
predicted_score = model.predict([[6]])[0]
print(f"学习 6 小时的预测分数: {predicted_score:.1f}")预期输出:
text
学习 6 小时的预测分数: 86.8输出是模型根据现有样本拟合得到的估计值,不是保证发生的真实结果。
本课练习
- 分析“根据身份证号码判断出生日期”是否需要机器学习,并说明原因。
- 为“预测商品下周销量”列出可用的输入数据和目标结果。
- 找出一个不适合机器学习的业务问题,并给出更简单的实现方案。
按自己的节奏,确认真正理解。