文学鸭

机器学习是“让机器从数据中长本事”的技术（第3页）

巧妇难为无米之炊，数据就是机器学习的“米”。

- 数据收集：比如要做推荐系统，得收集用户的浏览记录、点击行为；要做疾病预测，得收集病人的病历、检查报告。

- 数据预处理：这步特别关键，就像淘米要去沙。包括：

- 处理缺失值：比如某个人的年龄没填，得想办法补上或删掉。

- 处理异常值：比如收入里突然出现一个“1亿”，明显不合理，得处理掉。

- 特征缩放：比如身高是“170cm”，体重是“60kg”，单位和数值范围不一样，得统一缩放（比如都缩到0-1之间），不然模型会“偏心”。

2. 特征工程：给数据“化妆”，让模型看得更清楚

“特征”就是数据里的关键信息。比如判断西瓜好坏，“色泽、根蒂、敲声”就是特征。特征工程是从原始数据里提炼出有用特征的过程，直接影响模型效果。

- 有时候要人工设计特征：比如把“日期”拆成“星期几”“是否节假日”。

- 有时候用算法自动提取特征：比如深度学习里的CNN，能自动从图像里提取“边缘、形状”这些特征，不用人类操心。

3. 模型训练：让机器“刷题涨本事”

选好算法（比如决策树、神经网络），把处理好的数据喂给它，机器就开始“学习”了。它会不断调整内部参数，让预测结果和真实情况越来越接近。

- 训练过程中，得注意过拟合和欠拟合：

- 欠拟合：模型太“笨”，连训练数据都没学好，比如把所有邮件都当成正常邮件。

- 过拟合：模型太“教条”，把训练数据里的噪声也学进去了，比如只认识训练过的那几张人脸，换张角度就不认识了。

解决方法也不少，比如“正则化”（给模型加约束，不让它学太细）、“增加数据量”“模型简化”等。

4. 模型评估：给机器“考试”打分

训练好的模型得测试一下准不准。常用的指标有：

- 准确率（Accuracy）：预测对的比例，比如100个邮件，90个判对了，准确率就是90%。但它在“数据不平衡”时不准，比如垃圾邮件只有5%，模型全判正常，准确率也有95%，但没用。