什么是机器学习

机器学习是从数据中自动学习规律（模型），并用模型对未知数据进行预测或决策的技术体系。

关键术语（最小集合）

• 样本：数据集中的一行数据（见 获取数据）
• 特征：描述样本的属性，一般对应一列
• 标签/目标值：监督学习中的“标准答案”（见 监督学习）
• 模型：把输入特征映射到输出的函数
• 训练：用数据拟合模型参数
• 推理/预测：用训练好的模型处理新数据

常见任务

• 分类：输出离散类别，例如垃圾邮件识别（见 分类模型评估）
• 回归：输出连续数值，例如房价预测（见 回归模型评估）
• 聚类/降维：不依赖标签寻找结构（见 无监督学习）

与“写规则”的区别

• 写规则：人先总结规律，再把规律写成 if/else；规则难以覆盖复杂情况
• 机器学习：把规律的提炼交给数据与算法；需要关注数据质量与泛化能力（见 欠拟合 / 过拟合）