基础 · 深度词条
Machine Learning / ML(机器学习)
不把每条规则写死,而是让程序从样本中找规律,再把规律用于没见过的新数据。
四层解释
通俗
不把每条规则写死,而是让程序从样本中找规律,再把规律用于没见过的新数据。
专业
Machine Learning 研究怎样利用数据或经验改进任务表现;方法包括监督、无监督、自监督和强化学习等,训练信号与求解方式因任务而异。
机制
监督学习对照目标值优化预测;聚类按相似性寻找结构;自监督从数据构造目标;强化学习利用奖励改进策略。并非每种方法都需要人工答案或梯度下降。
工程
数据代表性、标签质量、泄漏和分布变化常比模型名称更决定上线结果。
全链路位置
INPUT数据、经验与任务目标
→PROCESS拟合、发现结构或学习策略并验证
→OUTPUT预测、表示、分组或策略
常见用途
- 分类和回归
- 推荐与排序
- 异常检测
专业边界
- 训练分布外的表现没有天然保证
- 相关性不等于因果性
常见误解
- 数据越多就一定越好
- 训练集分数高就是模型可靠
来源与核对记录
S1Machine Learning GlossaryGoogle for Developers · 官方技术文档 · 查阅 2026-10-24
↗S2What is clustering?Google · 官方课程 · 查阅 2026-10-24
↗S3NIST AI Risk Management Framework 1.0NIST · 标准与框架 · 查阅 2026-09-07
↗基础释义核对:2026-09-07。局部增补:2026-10-24。局部修订不代表旧正文全部复核,尚未完成外部专家审稿。