定义机器学习

本质上，机器学习是关于创建能够从数据中学习的系统。程序员不需要为每种可能的情况编写明确的、按部就班的指令，而是由机器学习系统识别数据中的模式，并根据这些模式建立自己的逻辑。

设想一下，你会如何编写一个传统程序来过滤垃圾邮件。你需要创建一长串规则：如果邮件包含某些词语（如“伟哥”、“免费”、“优惠”），就将其标记为垃圾邮件；如果它来自特定发件人，就标记为垃圾邮件；如果它的格式很奇怪，也标记为垃圾邮件，等等。这份规则列表会变得非常冗长且难以维护。垃圾邮件发送者不断改变策略，因此你需要持续更新你的规则。

机器学习则采取了不同的方式。你无需自己编写规则，而是向机器学习系统提供大量已被标记为“垃圾邮件”或“非垃圾邮件”（正常邮件）的电子邮件。该系统利用特定算法分析这些示例，并学习区分垃圾邮件和合法邮件的模式。它可能会学习到某些词语、发件人域名或特征组合强烈表明是垃圾邮件，而无需你明确编程那些具体规则。结果便是一个模型，它能够分类新的、未曾见过的邮件。

人工智能和计算机游戏方面的先驱亚瑟·塞缪尔（Arthur Samuel）早在1959年就提供了一个简洁的定义：机器学习是“赋予计算机无需明确编程即可学习能力的一项研究。”

一个更正式、经常被引用的定义来自汤姆·米切尔（Tom Mitchell）（1997年）：“如果一个计算机程序在某类任务T上，通过性能指标P衡量，其在任务T上的表现随着经验E的增加而提升，那么就称该程序从经验E中学习。”

让我们来分析米切尔的定义：

• 任务 (T): 系统应该做什么？示例包括将电子邮件分类为垃圾邮件或非垃圾邮件、根据面积和位置等特征预测房价，或识别手写数字。
• 经验 (E): 系统从什么数据中学习？这通常是示例数据集。对于垃圾邮件过滤，经验就是标记好的电子邮件集合。对于房价预测，则是包含房屋特征和相应价格的历史销售数据。
• 性能指标 (P): 我们如何评估系统表现得好不好？对于垃圾邮件过滤，P可能是正确分类的电子邮件百分比。对于房价预测，P可以是预测价格与实际价格之间的平均差异。

目标是，随着系统获得更多经验（更多数据），它在任务上的表现应该有所提升。

我们可以将传统编程和机器学习的基本区别可视化：

在传统编程中，规则（程序）处理数据以获得输出。在机器学习中，数据和预期输出被学习算法用来创建规则（模型）。

这种从数据中学习的能力使得机器学习功能非常多样。它使我们能够处理以下问题：规则过于复杂，无法手动编写；规则随时间变化；或者我们需要从海量信息中发现细微的模式。“学习”这部分很重要；系统根据所提供的数据进行调整，使其与静态的、基于规则的系统有着根本的不同。