[[333000]]

前言

百度百科搜索“機器學習”，映入眼簾的是我無法企及的高度：

• 機器學習是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、算法復雜度理論等多門學科。專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。

讓我在懷疑自己智商的同時也在思考：這段話除了闡述了機器學習很牛X，能夠模擬人類學習行為以外，好像并沒有讓我明白這四個詞的含義，反而加重了我的思想負擔，帶著我越加沉重的大腦繼續往下看，找到了我認為本詞條最為重要的定義：

然而并卵!!!

就像是看著笑傲江湖里的《葵花寶典》，由于沒有自宮，看了再怎么高深的劍法招式，也只是流于片面，除了牛批，還是牛批。至此我終于明白，原來是打開方式不對，從一開始就錯了(要自宮)!

所以，需要換個方式，這一次我們用初中數學打開：

從一次函數說起

在初中的數學中，我們常常遇到類似這樣題目：

• 給定平面內的三個點坐標(x,y): A(1,3)、B(2,5)、C(3,7)求x=5時,y的值。

面對如此問題，我們可以先把三個點放到坐標軸上看看，如圖：

可以發現三個點在一條直線上，符合一次函數的性質，那我們只需要求出這條直線的方程式，將x=5代入方程式，就可以求出此時y的值。

此時，問題就變成了：

• 已知A(1,3)、B(2,5)、C(3,7)三個點，橫坐標和縱坐標的關系符合一次函數

求x=5時，y的值。

問題到此就進入了我初中知識水平的層面，只需要將A、B、C三個點代入y=kx+b得到關于k和b的一個方程組，求解可得：

那么x=5時，y等于2*5+1=11(放著我來，這個我會算)。

問題思考

機器學習無非就是類似于上面的一個過程，在給定一定量的輸入(x)和輸出(y)數據的前提下，找出一個函數來表示這些x和y之間的關系，根據這個函數，我們可以在知道x的條件下輕松求出y，例如我們在網購之后輸入評論，系統就能自動識別出是好評還是差評。

上述案例的這個函數我們可以稱之為模型，x稱之為特征，y就是機器學習要預測的結果，而已知的x和y的組合稱之為訓練數據，訓練的過程也就是找出x和y的關系的過程(而不是用皮鞭抽的過程)。

然而真實的機器學習案例中往往沒這么簡單，只有一個特征x的函數怎么滿足更為復雜的業務需求呢?

“一個不行就兩個，兩個不行就三個，三個不行還可以加呀，只要給錢，不好意思，扯遠了!”

當特征數量為多個，我們依舊可以基于上面的一次函數基礎，進行模型假設

那么問題也可以得到解決，這就是機器學習里面較為基礎的線性回歸。

如果你覺得這些函數都只能求出一個值，沒啥意思，能否幫我識別出評論區里哪些是好評，哪些是差評呢?

“當然是沒問題的!只需要把y的結果映射到0-1之間，然后對y進行判斷，y>=0.5表示好評，y<0.5表示差評就行，然后這個映射函數我們稱之為激活函數，怎么實現的先不管，理解為主”

這樣就實現了機器學習中分類任務邏輯回歸。

如果你覺得一個特征對應一個權重有點low，而且很多事情都并非是線性相關，如何解決這個問題呢?

“一層權重不夠，那就加唄,如果再不夠，那就再加!”

你還要嗎?我再加點

上面的過程跑得有點遠，一不小心已經到了深度學習的層面，路漫漫其修遠兮，我的智商有點跟不上...(所以用省略號代替)

總結

以上案例僅僅是機器學習中監督學習的過程，真正的機器學習往往比這個復雜得多，還分為非監督學習，半監督學習，在此不做多余贅述，有機會再寫，再見!