什么是 机器学习？
机器学习（Machine Learning，ML）是人工智能的一个领域：算法围绕明确任务和目标从数据中拟合模型，再用学到的关系对新输入执行预测、排序、结构发现、内容生成或动作选择。
快速了解
| 全称 | Machine Learning |
|---|---|
| 创建时间 | 1959 年由 Arthur Samuel 提出该术语 |
| 规范文档 | 官方规范 |
工作原理
先定义任务，再选择模型
先写清预测单位、做出预测的时点、预测将影响的动作，以及各类错误的成本。监督学习从带标签样本估计目标，无监督学习在没有目标标签时优化结构性目标，强化学习从奖励中优化序列行为，自监督学习则从数据本身构造监督信号。这些是学习信号的选择，不是业务有效性的保证。
分离拟合、模型选择与最终评测
训练集用于拟合参数，验证集用于选择特征、超参数、阈值和 Early Stopping，测试集只在这些选择冻结后估计最终表现。若同一用户、设备、文档或未来观测跨越不同分区，随机切分会产生泄漏；应使用能复现部署边界的 Group Split 或 Time Split。
用有效基线衡量泛化
Training Loss 只能证明优化器拟合了已观测样本。应在任务相关指标、不确定性、Calibration 和 Failure Slice 上，把候选模型与简单规则或现有系统比较。Accuracy 可能掩盖少数类失败，离线相关性可能遗漏延迟结果；统计上更好的模型也可能因延迟、成本或稳定性不满足决策要求。
把部署视为学习系统的一部分
线上行为取决于 Feature Freshness、训练与服务预处理一致性、Serving Threshold、Feedback Loop 和人工覆盖机制。应记录数据与模型版本，监测输入和结果漂移，保留回滚条件，并区分真正的重训触发与告警噪声。学习组件周围通常仍需要规则、检索和人工复核。
主要特点
- 在显式目标或反馈信号下从数据拟合模型参数
- 只有评测协议代表目标人群与部署条件时才可能泛化
- 可以使用工程特征、学习表示或两者结合
- 要求为拟合、模型选择和最终评估保留不同数据
- 必须和相关基线比较，并按失败切片检查结果
- 带来漂移、隐私、成本、监控和回滚等运维责任
常见用途
- 在决策时点和标签窗口明确的前提下预测风险或需求
- 在相关性与策略约束下对搜索或推荐候选排序
- 依据调查容量校准阈值的异常检测
- 按关键子群分析错误的语言、语音或视觉分类
- 优化动作会改变后续观测的序列决策
示例
Loading code...常见问题
机器学习和传统编程有什么区别？
传统软件通常直接编码决策步骤，机器学习则在指定目标下从样本估计部分决策逻辑。真实产品往往结合两者：模型提供分数或表示，确定性代码负责输入校验、权限、阈值和降级策略。
机器学习有哪些主要类型？
监督学习预测带标签目标，无监督学习描述没有目标标签的数据结构，强化学习从奖励中优化序列动作。自监督和半监督描述监督信号如何获得。一个系统可以组合多种类型，因此任务契约比僵硬分类更重要。
机器学习为什么需要验证集和测试集？
训练数据用于拟合参数，验证数据会影响模型与阈值选择；把任一者复用于最终评分都会产生乐观估计。独立测试集能提供更干净的最终检查，但前提是实体、时间边界、预处理和标签流程都能代表部署环境。
机器学习项目需要多少数据？
没有通用样本数。需求取决于信号强度、噪声、模型容量、稀有类别、目标误差和部署条件多样性。学习曲线与切片级置信区间比固定门槛更可靠；重复、有偏、泄漏或标签不一致的数据可能让更大的数据集反而变差。
什么情况下不应该使用机器学习？
当规则稳定、可审计、成本低且能覆盖场景时，应优先使用确定性逻辑。无法定义标签、错误无法容忍或恢复、评测集不能代表部署分布，或者简单基线已经满足决策和运维要求时，机器学习通常不是合适选择。