文章目录
前言
上一章节学习了 人工智能（AI）、机器学习（ML） 和 深度学习（DL）的基本概念和三者直接的包含关系，可以看出 机器学习（ML） 是人工智能很重要的一个实现途径 ，现在主要详细对 机器学习基本的知识点 进行阐述，主要有 机器学习常用术语 、机器学习算法分类 、机器学习建模流程 等三个大体方面。
一、机器学习常用术语
机器学习中有五个核心术语，分别是：样本 、特征 、标签 、训练集 、测试集 ，理解这些概念是学习机器学习的第一步。
我们从上述表格来理解 机器学习的核心术语：
1.样本 (Sample)
定义 ：样本是机器学习处理的基本数据单元，通常表示一个独立的观测对象或事件，在数据表中，一行数据就是一个样本；多个样本组成数据集；有时一条样本被叫成一条记录。
2.特征 (Feature)
定义 ：特征是描述样本某个方面的可 测量属性 或 输入变量 。它是机器学习模型进行预测的依据。在数据表中，一列数据一个特征，有时也被称为属性。
3.标签 (Label)
定义 ：标签是我们希望模型 预测的目标值，即样本的真实答案。在监督学习中，每个样本都有一个对应的标签。在数据表中，模型要预测的那一列数据。本场景是就业薪资，与 培训学科、作业考试、学历、工作经验、工作地点 5个特征有关系。
4.训练集 (Training Set)
定义：训练集是用于训练机器学习模型的样本集合。模型通过反复观察训练集中的样本（特征与对应的标签），学习输入到输出的映射规律。
5.测试集 (Test Set)
定义：测试集是用于评估模型泛化能力的样本集合。模型在训练过程中完全看不到测试集中的任何信息。训练完成后，我们用测试集来模拟"全新未见数据"，检验模型预测的准确性。
重点：①训练集 和 测试集 的比例大概是 8：2 或者 7：3 。
②在后续代码中或者称呼中，经常把训练集的特征总称为 x_train ；把训练集的标签总称为 y_train ；把测试集的特征总称为 x_Text ；把测试集的标签总称为 y_Test 。
二、机器学习算法分类
下面详细阐述机器学习算法的四大分类：有监督学习、无监督学习、半监督学习 和 强化学习。这四种范式的主要区别在于训练数据的性质以及学习目标的不同。
1.有监督学习 (Supervised Learning)
定义
输入数据是由输入 特征值 和 目标值 所组成，即输入的训练数据 有标签的 ；数据集 需要标注数据的 标签/目标值。
核心特点
① 数据要求：需要大量人工标注的标签，成本较高；
② 精度高：可解释性相对较好（取决于模型）；目标明确；
分类
根据 标签值 是否连续，将有监督分成 回归 和 分类 两个子类：
① 回归 (Regression)：输出标签是连续数值；
② 分类 (Classification)：输出标签是离散类别。
从上图可以看出表格数据中的 就业薪资 和 房子价格 代表着标签，但是 就业薪资 是由 高 中 低 来表示结果，没有连续性，所以代表分类问题；房子价格 是线性的，有连续性，所以代表回归问题。
2.无监督学习 (Unsupervised Learning)
定义
输入数据没有被标记，即样本数据类别未知，没有标签，根据样本间的相似性，对样本集聚类，以发现事物内部结构及相互关系。
核心特点
① 数据要求：仅需原始数据，无需人工标注，成本低；
② 不需要标注数据，可扩展性强；能发现人类未知的模式；
③ 结果难以量化评估；解释性可能差；聚类结果受算法和参数影响大。
重点：根据样本间的相似性，对样本集聚类，没有直接的正确/错误判断，通常靠人工评估或间接指标。
3.半监督学习 (Semi-supervised Learning)
定义
半监督学习介于监督和无监督之间：使用少量有标签数据 + 大量无标签数据进行训练。它试图利用 无标签数据 来增强模型对数据分布的理解，从而提升学习性能。
工作原理
① 让专家标注少量数据，利用已经标记的数据（也就是带有类标签）训练出一个模型；
② 再利用该模型去套用未标记的数据；
③ 通过询问领域专家分类结果与模型分类结果做对比，从而对模型做进一步改善和提高。
优点：显著降低标注成本；往往比纯监督学习（仅用少量标签）效果更好；
缺点：如果无标签数据分布与有标签数据不一致，可能引入噪声；方法设计较复杂。
4.强化学习 (Reinforcement Learning)
定义
强化学习不依赖静态的 "样本-标签" 对。而是让一个 智能体 在与 环境 的交互中，通过试错和延迟反馈（奖励或惩罚）来学习最优策略，以最大化累积奖励。
核心要素
① 智能体 (Agent)：学习者、决策者；
② 环境 (Environment)：智能体与之交互的外部系统；
③ 状态 (State)：环境在某一时刻的描述；
④ 动作 (Action)：智能体可以采取的操作；
⑤ 奖励 (Reward)：执行动作后环境返回的即时反馈信号（可正可负）。
agent根据环境状态进行行动获得最多的累计奖励。
优点：适用于序列决策问题，能处理延迟反馈；无需标注数据。
缺点：训练需要大量交互，样本效率低；奖励函数设计困难；训练过程不稳定；难以模拟真实环境。
5.四者对比总结表
上述四种机器学习算法，应用非常多，需要掌握每类算法的基础概念，对后续学习很重要。
三、机器学习建模流程
下面详细阐述机器学习的标准建模流程。这是一个从业务问题到可部署模型的完整路径，通常包含以下五个关键阶段。
机器学习建模的步骤
① 获取数据：搜集与完成机器学习任务相关的数据集；
② 数据基本处理：数据集中异常值,缺失值的处理等；
③ 特征工程：对数据特征进行提取、转成向量，让模型达到最好的效果；
④ 机器学习(模型训练)：选择合适的算法对模型进行训练；
⑤ 模型评估：评估效果好上线服务,评估效果不好则重复上述步骤。
重点：在整个建模流程中，数据基本处理、特征工程一般是耗时、耗精力最多的，后续也会着重解释这两个步骤，尤其是特征工程。
总结
以上就是关于 机器学习基本知识点 介绍，都是非常重要的概念，掌握了 机器学习常用术语 、算法分类 和 建模流程 等方面后才能对机器学习有个大体的了解，后续的学习都是在 算法 和 建模流程 的总体框架下进行运用。