名词介绍
1. 常用术语解释
- 拟合（Fit）：指将模型应用于训练数据，并通过训练调整模型的参数。model.fit(X_train, y_train),链接:
- 预测（Predict）：根据训练好的模型，对未知数据进行预测。model.predict(X_test)
- 评估（Score）：评估模型的性能，通常返回一个评分指标，例如准确率。model.score(X_test, y_test)
- 交叉验证（Cross-validation）：将数据集划分为多个子集，通过多次训练和验证，评估模型的稳定性和泛化能力。
2.常见机器学习任务
- 回归问题：预测连续值的问题，例如预测房价根据房子的大小、位置等因素。这有点像尝试猜测一个不断移动的目标的确切位置。
- 分类问题：就像给不同的水果分类一样，比如苹果、香蕉和橙子。在机器学习中，我们使用数据训练模型来识别对象属于哪一类。
- 聚类问题：将相似的数据分组在一起，但不像分类那样提前知道类别。想象你有一堆没有标签的照片，需要把看起来相似的照片放在一起。
- 降维问题：减少数据集中的特征数量，同时保留尽可能多的信息。就像是将一张高分辨率的照片压缩成低分辨率版本，但仍然保持照片的主要特征。
3. 机器学习常见算法
1. 监督学习（Supervised Learning）
一句话解释：就像老师教学生做题，数据自带“标准答案”，模型通过反复练习这些带答案的数据来学习规律。
举个栗子：
你有一堆水果照片，每张照片都标好了名字（苹果、香蕉、橘子）。
你让模型看这些照片和名字，学习怎么区分不同水果。
学完后，给它一张新照片，它就能告诉你这是什么水果。
典型算法
- 线性回归（Linear Regression）
- 逻辑回归（Logistic Regression）
- 支持向量机（SVM）
- K-近邻算法（KNN）
- 决策树（Decision Tree）
- 随机森林（Random Forest）
常见用途：
分类问题（判断是苹果还是香蕉）
回归问题（预测房价、股票价格）
例如：垃圾邮件识别、人脸识别、疾病诊断。
优点：
目标明确：因为有标准答案，模型学得快，结果容易评估。
效果直接：适合解决具体任务（比如预测或分类）。
缺点：
依赖标签：需要大量人工标注的数据（比如给每张图片标名字）。
成本高：标注数据费时费力，尤其是复杂任务（比如标100万张医疗影像）。
局限性强：只能学习已知标签的规律，无法发现新知识。
2. 非监督学习（Unsupervised Learning）
一句话解释：数据没有标准答案，模型自己“瞎琢磨”，找出数据中的隐藏规律或分组。
举个栗子：
你有一堆水果照片，但没有任何标签（不知道名字）。
你让模型自己看这些照片，它可能根据颜色、形状把水果分成几类。
分完后，你发现它把红的归为一类（苹果）、长的归为一类（香蕉），虽然它不知道这些名字。
典型算法
- K-均值聚类（K-Means Clustering）
- 主成分分析（PCA）
常见用途：
聚类（自动分组，比如用户分群）
降维（简化数据，比如把100个特征压缩成3个）
例如：推荐系统、社交网络分析、异常检测。
优点：
无需标签：直接处理原始数据，省去标注成本。
探索性强：能发现数据中隐藏的模式（比如用户行为分组）。
灵活：适合没有明确目标的场景（比如数据探索）。
缺点：
结果不明确：分组的含义可能需要人工解释（比如模型分的类到底代表什么）。
评估困难：因为没有标准答案，很难量化模型效果。
可能跑偏：如果数据本身没规律，模型可能得出无意义的结论。
3.深度学习
一句话总结：像人脑神经网络的超级加强版，用多层“神经元”处理复杂数据。
核心特点：
多层神经网络：通过多层的计算单元（神经元）逐步提取数据特征。
自动学习特征：无需手动设计特征，模型自己从数据中学习（比如从像素到猫脸）。
适合复杂任务：如图像、语音、自然语言处理。
例子：
图像识别：人脸识别、自动驾驶中的物体检测。
语音助手：Siri、小爱同学的语音转文字。
机器翻译：把中文翻译成英文。
常见用途：
卷积神经网络（CNN）：专攻图像处理（如识别猫狗）。
循环神经网络（RNN）：处理序列数据（如文本、语音）。
生成对抗网络（GAN）：生成逼真的图片或视频（比如AI绘画）。
Transformer：处理自然语言（如ChatGPT）。
4.对比总结
| 类型 | 是否需要标签 | 典型任务 | 例子 | 适合场景 |
|---|---|---|---|---|
| 监督学习 | 需要 | 预测、分类、回归 | 房价预测、垃圾邮件分类 | 有明确答案的任务 |
| 非监督学习 | 不需要 | 聚类、降维、关联分析 | 用户分群、数据压缩 | 探索数据中的隐藏规律 |
| 深度学习 | 可监督或非监督 | 复杂模式识别 | 图像识别、自然语言处理 | 处理高维度、非结构化的复杂数据 |
生活化比喻
监督学习：像考试复习，老师给你一本带答案的习题集，你通过反复做题学会解题方法
非监督学习：像自己整理笔记，没有答案，你通过观察知识点之间的联系，总结出章节结构
深度学习：像培养一个天才儿童，通过大量练习（数据）和复杂的大脑（多层网络），学会解决超级难题（比如下围棋、画画）
总结
监督学习：解决“有答案”的问题，比如预测和分类。
非监督学习：解决“找规律”的问题，比如分群和简化数据。
深度学习：解决“复杂模式”的问题，依赖多层网络自动学习特征。
三者常结合使用，例如：先用非监督学习分群，再对每个群用监督学习预测；深度学习模型（如CNN）本身可以用于监督或非监督任务。
怎么选？
- 如果你有明确的预测目标，且能拿到标注数据 → 监督学习。
- 如果你只想探索数据规律，或者标注数据太贵 → 非监督学习。