棋棋书网

机器学习是“让机器从数据中长本事”的技术（第2页）

监督学习的经典算法也不少：

- 决策树：像个“问题树”，比如判断是否给用户贷款，先看“收入是否＞5万”，再看“信用评分是否＞700”，一步步分支，最后给出结论。它的好处是逻辑透明，普通人也能看懂决策过程。

- 随机森林：把好多决策树“集合”起来，比如你想知道一部电影好不好看，不是只问一个人，而是问好多人再综合意见，这样更准确。

- 神经网络：模仿人脑神经元的结构，层数多了就是深度学习。比如图像识别里的卷积神经网络（CNN），能自动提取“边缘→纹理→物体”这些特征，不用人类手动设计。

2. 无监督学习 —— 自己摸索“找规律”

无监督学习就像让孩子在一堆玩具里自己分类，数据里只有“题目”没有“答案”，机器要自己找出数据里的隐藏结构。

典型任务一：聚类—— 把相似的东西凑一堆。

比如电商平台给用户分组：把“总买母婴用品的”“总买数码产品的”分成不同群体，方便做精准营销；或者银行识别异常交易，把和大多数交易模式不一样的“可疑交易”找出来。

常用的算法是K-means，你指定要分几类（比如K=3），它就会自动把数据分成3堆。

典型任务二：降维—— 给数据“瘦身”。

有时候数据维度太多（比如一张图片有几百万个像素点），机器处理起来费劲。降维就是把这些维度压缩，同时尽量保留关键信息。比如PCA（主成分分析），能把高维数据变成低维的，还能可视化，方便人类理解。

3. 强化学习 —— 在“试错”中找最优策略

强化学习像是训练宠物：做对了给奖励，做错了给惩罚，慢慢就学会了正确的行为。机器在和环境的互动中，通过“获得奖励、避免惩罚”来学习最优策略。

最经典的例子是AlphaGo下围棋：它通过和自己对弈数百万盘，不断调整策略，最后能击败人类冠军。再比如自动驾驶，汽车在行驶中“选择左转还是右转”“加速还是刹车”，每一步都在优化，争取安全又高效地到达目的地。

三、机器学习咋干活？—— 从数据到模型的“流水线”

不管是哪种学习方式，机器学习的流程都差不多，咱们把它拆成几步看。

本小章还未完，请点击下一页继续阅读后面精彩内容！

1. 数据：机器学习的“粮食”

巧妇难为无米之炊，数据就是机器学习的“米”。