机器学习速成·前置(一)：机器学习入门——核心概念与监督式/非监督式学习精讲

本文参考 Google 机器学习简介（Intro to ML） 课程核心内容撰写，帮助读者建立机器学习最关键的基础概念，并理清监督式学习、非监督式学习、回归与分类这几组最易混淆的概念。

一、机器学习到底是什么？

机器学习是让计算机从数据中自动学习规律，而不需要被显式编程去完成任务。它的核心是通过带标签的样本，让模型学会根据特征（Feature）预测标签（Label）。

在进入具体算法之前，必须先掌握三个最底层的关键词：

术语	英文	含义	示例（二手车价格）
特征	Feature	作为模型输入的属性	品牌、年份、里程数
标签	Label	模型要预测的目标值	价格
样本	Sample	一条完整的（特征+标签）数据	某辆车的全部记录

1.1 预测能力（Predictive Power）

不是数据集里每个特征都对预测有用。只有少数特征才是标签的强预测因子。

以预测汽车价格为例，一个用户数据集可能包含以下列：

汽车数据集特征列：
- Color         （颜色）
- Height        （车身高度）
- Tire_size     （轮胎尺寸）
- Wheel_base    （轴距）
- Year          （年份）
- Make_model    （品牌/型号）
- Miles         （里程数）
- Gearbox       （变速箱）

其中，品牌/型号（Make_model）、年份（Year）、里程数（Miles） 是汽车价格最强的三个预测因子；而颜色、轮胎尺寸、轴距、变速箱这些特征，对价格的预测能力很弱。

👉 判断特征是否重要：看它对标签的区分度。 选对特征，模型事半功倍；选错特征，再好的算法也白搭。

二、监督式学习 vs 非监督式学习

这是机器学习最基础的一对分岔路，判断依据非常简单：你的数据集里有没有”标签”？

维度	监督式学习	非监督式学习
数据	带标签样本	无标签样本
目标	预测标签（值或类别）	发现数据的内在结构/分组
典型任务	回归、分类	聚类
示例	预测房价、识别垃圾邮件	用户群体细分

2.1 如何选择？

核心判据：你是否事先知道要预测的值或类别？

如果你事先知道要预测的目标（比如价格、类别标签）→ 用监督式学习
如果你只是想发现数据的天然分组（比如用户有哪些类型）→ 用非监督式学习

2.2 案例一：了解用户类型 → 非监督式学习

假设你有一个在线购物网站的用户数据集，但没有”用户类别”这一列。你想了解访问网站的用户都有哪些类型。

答案是：非监督式学习。

因为数据里没有”用户类别”这个标签可供预测。我们想让模型对相关客户群体进行聚类，聚类完成后，再为每个集群取一个名字，比如：

“折扣寻求者”
“优惠猎手”
“浏览者”
“忠实用户”
“漫游者”

关键点：非监督式学习做的是”从数据中发现分组”，而不是”预测某个预先定义的类别”。

2.3 案例二：预测住宅年能耗 → 监督式学习

假设你有一个住宅能耗数据集，包含以下列：

住宅能耗数据：
- Square footage       （面积）
- Location             （位置）
- Year built           （建成年份）
- Kilowatt hours used per year   （年用电量 - 目标）

你想预测新建住宅的年用电量（千瓦时）。

答案是：监督式学习。

因为”年用电量”（kilowatt hours used per year）就是我们要预测的标签，而”面积、位置、建成年份”是特征。基于带标签样本训练 → 典型监督式学习。

三、回归 vs 分类

在监督式学习内部，根据标签的类型，又分成两大任务：

维度	回归	分类
标签	数值（连续值）	类别（离散值）
输出	一个数字	一个类别标签
示例	预测房价、预测油耗	识别垃圾邮件、判别人脸

3.1 案例：预测机票价格 → 回归

假设你有航班数据集，字段包括起飞目的地、飞行时长等。你想预测机票价格（airplane_ticket_cost）。

答案是：回归。 因为机票价格是数值，而分类模型输出的是离散值。

👉 判断口诀：标签是数字 → 回归；标签是类别 → 分类。

3.2 进阶：数值真的不能做分类吗？

有个很自然的追问：能否把机票价格分类为”高、中、低”三个档位，从而用分类模型？

答案是：可以，但需要先做一步数据清洗/离散化——把数值转换成类别：

1. 计算从出发地到目的地的平均票价
2. 确定划分"高/中/低"的阈值
3. 将预测价格与阈值比较，输出所属类别

这样就得到了带类别标签的数据，可以用分类模型了。

⚠️ 注意：分类模型并不是只能预测两类。存在多类别分类模型（如”高/中/低”三分类），臆断”分类只能输出两个类别”是常见误区。

四、强化学习与生成式AI：另外两类机器学习系统

按学习方式，机器学习系统可以归入以下四类：监督式学习、非监督式学习、强化学习、生成式AI。前两类前面已详细讲过，这里补充强化学习和生成式AI。

4.1 强化学习（Reinforcement Learning）

强化学习模型通过与环境交互，根据执行操作获得的”奖励”或”惩罚”来进行学习。

强化学习闭环：
Agent（智能体）─执行操作─► 环境
    ▲                          │
    └──────获得奖励/惩罚 ◄──────┘
        （奖励多→该策略被强化）

强化学习系统最终会生成一项政策（Policy），即”在什么状态做什么操作”的行动准则，用来定义获得最多奖励的最佳策略——就像玩游戏，做对了加分、做错了扣分，AI 逐步学会最优玩法。

典型应用：

机器人控制：训练机器人在房间内自主走动
游戏博弈：AlphaGo 通过大量自我对弈学习下围棋

4.2 生成式AI（Generative AI）

生成式AI是一类可根据用户输入”生成新内容”的模型——不仅能预测，还能创造。

它可以做很多事：创作独特的图片、音乐和笑话；总结文章、说明如何执行任务、编辑照片等等。

输入输出形式灵活多样（通常写作”输入类型—输出类型”）：

类型	输入	生成内容
文本到文本	一个问题	一段文字回答
文本到图像	一段描述	一张图片
文本到视频	一段分镜脚本	一段视频
文生代码	一个需求	一段代码
文字转语音	一段文字	一段语音
图片转文字	一张图片	对图片的描述

生成式AI如何工作？ 从宏观层面看，它学习数据中的模式，进而生成新的但类似的数据：

像模仿他人的喜剧演员——观察别人的行为、说话风格后模仿
像研究大量画作学画的艺术家——吃透一种风格后创作
像模仿乐队的翻唱团——听很多音乐后模仿声音

训练方式：生成式模型最初通常是非监督式训练（模仿训练数据），之后有时会结合监督式或强化学习微调，以适配具体任务（如总结文章、编辑照片）。

五、训练与评估：如何改进预测结果

训练完模型后，需要用带标签的评估数据集，把模型的预测值和真实标签对比，看预测得准不准。

如果模型的预测结果与实际值相差甚远，可以采取哪些有效措施？

5.1 无效做法 ❌

换一种训练方法（如监督式换非监督式）：方向不对，不同的训练方法不会产生更好的预测。
放弃模型：大多数模型都需要经过多轮训练才能做出有用预测，失败的预测完全可以修复——不能因为第一次训练不准就放弃。

5.2 有效做法 ✅

改进手段	为什么有效
只保留最具预测能力的特征重新训练	用更少但更强的特征，能让预测更准确，减少噪声
用更大、更多样化的数据集重训	更多样本+更广的值范围，模型对特征与标签的关系有更好的泛化能力

六、下一步学习路线

学完基础概念后，可继续深入：

机器学习速成课程（Crash Course）：动手实践，深入学习模型训练细节（线性回归、损失函数、梯度下降等）。
问题构建（Problem Framing）：学习实战检验过的方法，正确搭建模型、避开常见误区。
前置工具篇：NumPy 与 Pandas，打好数据处理基础。

总结

核心概念	关键结论
特征 vs 标签	特征是输入，标签是目标；只有少数特征有强预测力
监督式 vs 非监督式	有标签→监督式（预测）；无标签→非监督式（聚类分组）
回归 vs 分类	标签是数值→回归；标签是类别→分类
另外两类系统	强化学习（奖励/惩罚试错）；生成式AI（根据输入生成新内容）
训练改进	精选特征、加大数据多样性；大多数模型需多轮迭代训练

一句话：机器学习 = 从有标签/无标签的数据里自动找规律。先判断有没有标签，再判断要预测数值还是类别——分对了路，后面的一切都顺理成章。