导读

机器学习是未来发展的关键，因为它将在计算机和其他领域得到广泛应用。尽管如此，开发高效的机器学习应用需要大量的专业知识，而这在教科书中往往难以找到。

随着机器人技术、智能家居设备、智能零售店以及自动驾驶汽车技术的发展，我们正迎来一个全新的时代。机器学习在这些新技术的进步中处于领先地位。在未来，自动化机器的发展将使机器的能力接近甚至超越人类智能。机器学习无疑是未来的重要趋势，人们相信大多数未来的科技发展都会与之有关。

01 为什么机器学习如此重要？

机器学习的重要性在于它能够预测人类无法预测的行为和模式。机器学习拥有无数有用的实践应用，能够解决以往难以处理的问题。在了解了具有高效泛化能力的机器学习模型后，人们可以利用它做出重要的决策。机器学习使个人能够在多种情境下做出决策。目前，尚无法编写适用于所有新情境的代码。

人工智能已经在多个领域得到应用，包括自动驾驶汽车、投资银行、医疗保健和招聘等。它已经成为了实现不同领域任务的重要工具。

02 机器学习的六个革命性教训

机器学习算法可以通过场景中的泛化，获得执行必要任务的方法。这种方法不仅实用且成本效益更高，而手动编程则不然。数据量的增加无疑会带来更多与数据采集相关的问题。因此，机器学习是未来的发展方向，因为其应用范围广泛。然而，开发有效的机器学习应用需要大量的专业知识。

以下是关于机器学习最有价值的六个经验教训：

01 泛化是核心

机器学习的基本特性之一是算法必须从训练数据中泛化出所有不可见场景的完整范围，以便在应用模型时做出正确的判断。泛化过程需要高质量的数据，以便算法能更好地理解从输入到输出的真实映射。泛化是从具体到一般的过程。

机器学习算法是从历史场景中自动简化的技术，它们可以在更大规模的数据上快速泛化。机器学习初学者最常见的错误是在训练数据上进行测试，从而误以为取得了成功。实际上，只有在新数据上测试时，分类器的表现才会真正反映其性能。因此，在开发分类器时，务必留出一部分数据作为测试集。

02 学习=表示+评估+优化

机器学习算法主要由三个部分组成：表示、评估和优化。

• 表示：数据需要以适合算法的方式输入。例如，在文本分类中，可以从全文中提取特征并转化为词袋表示。选择表示方法与选择分类器集是同义的。

• 评估：评估是一个帮助我们了解我们正在做什么的指标。需要一个评估过程来区分好的分类器和不好的分类器。例如，可以计算平均相对误差或均方根误差。

• 优化：优化是指寻找方法来选择不同的技术以优化过程。例如，可以尝试假设空间中的每个假设，也可以选择更智能的技术来找到最佳假设。优化过程中，可以应用评估函数来了解特定假设的效果。如果有多个最优解，优化技术可以提供更多关于所创建分类器的信息。

03 数据本身是不够的！

泛化虽然是主要目标，但数据的数量和质量同样重要。幸运的是，我们想掌握的功能并非来自所有可计算的功能。即使是最普通的假设（如平滑度、相似性、依赖性或复杂度）也足以使机器学习有效运作。因此，大数据的应用并不总是必要的。

04 小心过拟合

如果数据不足，训练好的分类器可能只能在训练集上表现良好，而在新数据上表现不佳。这种现象被称为过拟合，是机器学习中的常见问题。发现过拟合后，应采取措施避免这种情况。例如，交叉验证、增加数据量、正则化、删除特征、提前终止和集成方法都是防止过拟合的有效手段。

05 特征工程是成功的关键

特征工程是利用领域知识开发能够增强机器学习算法效果的特征的技术。恰当的特征工程可以显著提升算法的预测能力。这些特征简化了机器学习过程，通过几个独立且与类别相关的特征，可以使学习更加容易。

06 准确性和简单性是不同的

奥卡姆剃刀原则指出，不必要的复杂性应避免。这意味着两个具有相似训练误差的分类器中，较简单的那个可能具有更低的测试误差。每个机器学习项目都应以回答业务问题为目标。从制定主要成功标准开始，选择最简单且足够准确的模型，并深入了解“足够准确”的含义。

通过以上六个教训，我们可以更好地理解和应用机器学习技术，使其在各个领域发挥重要作用。