今天学了点机器学习相关知识。
一、机器学习到底是什么
此前对机器学习的认知停留在“让电脑自己学习”的模糊概念里，今天才算有了清晰界定：机器学习是人工智能的核心分支，本质是让计算机通过数据训练，自动学习规律并优化模型，无需显式编程就能完成特定任务。简单说，就是给电脑喂足够多的数据，它能自己总结经验、解决问题。
二、机器学习的三大核心分类
根据数据类型和学习目标，机器学习主要分为三类，新手先明确分类能更快找准算法应用场景：
-
监督学习：最常用、最易入门的类型。输入的数据带有“标签”，模型通过学习“特征-标签”的对应关系，对新数据做预测。比如房价预测、垃圾邮件识别。核心算法有线性回归、决策树、支持向量机等。
-
无监督学习：输入的数据无标签，模型自主挖掘数据中的隐藏规律。比如用户分群、异常检测。核心算法有K-均值聚类、主成分分析。
-
强化学习：模型通过“试错”学习，与环境互动并根据反馈调整策略，目标是最大化奖励。比如自动驾驶、游戏AI。对新手而言门槛较高，第一天暂不深入，先聚焦前两类。
三、3个基础算法
- 线性回归（监督学习·回归任务）
最基础的回归算法，核心是寻找变量之间的线性关系，用于预测连续值结果（如房价、销量、温度）。比如通过“房屋面积”这个特征预测房价，假设面积越大房价越高，线性回归会拟合出一条最优直线，来描述两者的关系。就像在散点图上画一条线，让这条线尽可能靠近所有数据点，后续用这条线就能根据新的x值（面积）算出y值（房价）。缺点是只能处理线性关系，面对复杂数据（如非线性分布）效果有限。
2. 决策树
一款逻辑非常直观的算法，核心是模拟人类的决策过程，通过层层判断拆分数据，既能做分类（如判断邮件是否为垃圾邮件），也能做回归。比如判断“是否购买某商品”，会按“收入水平→年龄→是否有需求”等条件层层分支，最终得出结论。像一棵倒置的树，根节点是核心判断条件，叶子节点是最终结果，逻辑清晰、容易解释，即使不懂原理也能理解决策过程。但容易出现“过拟合”（太贴合训练数据，对新数据预测不准）的问题。
- K-均值聚类（无监督学习·聚类任务）
入门级聚类算法，核心是将相似的数据自动归为一类，无需提前标注标签。“K”代表要分成的类别数，算法会先随机选K个中心点，再反复调整数据归属和中心点位置，直到聚类结果稳定。比如把一堆混合的水果按大小、颜色分组，算法会自动找出相似特征的水果归为一类，适合做数据探索（比如未知用户群体的特征挖掘）。难点在于K值需要人为设定，不同K值会得到完全不同的结果。
