什么是机器学习?

机器学习(Machine Learning,ML)是利用数据训练模型,使其能够对新输入进行预测、分类、模式识别或内容生成的方法。开发者不必为每种情况逐条编写全部规则,而是设计学习过程,让模型从样例中形成可泛化的关系。

Google 的机器学习入门将其解释为训练模型从数据中产生有用预测或内容。机器学习是人工智能的重要组成,但人工智能还包括其他方法,两者不能完全等同。

训练与预测分别是什么?

训练使用已有数据调整模型,使其在某个目标上表现更好。预测或推理则是在模型确定后,对新的输入产生输出。

例如根据历史房屋面积、位置与成交价训练价格模型,再用新房屋信息估计价格。模型学习的是数据中的关系,并不意味着理解了市场中的全部机制。

能把训练数据拟合得很好,也不代表遇到新数据仍然可靠。机器学习的重要目标是泛化,即在未用于训练的适当数据上保持有用表现。

常见学习方式有哪些?

监督学习使用带有目标答案的样例,例如已标记类别的图片或带结果的交易记录。分类预测类别,回归预测数值。无监督学习寻找数据中的结构,例如聚类相似对象。

强化学习通过行动与反馈学习策略,目标通常涉及长期累积回报。生成式模型则学习数据模式并生成新内容,训练过程可以涉及自监督、监督与其他方法。

这些分类并非完全互斥。一个实际系统可能先进行自监督预训练,再利用标注数据调整任务表现。

一个客户流失预测例子

以下是说明性例子。

企业希望识别未来可能停止使用服务的客户,利用过去的使用频率、服务记录和历史结果训练模型。

必须先定义什么叫流失、预测多长时间,以及预测时能取得哪些信息。如果把“已提交退订申请”作为提前很久预测的输入,可能使用了当时尚不存在的信息,导致测试成绩虚高。

同样,如果同一客户的相近记录同时出现在训练与测试中,也可能高估泛化能力。评估应尽量模拟真实使用时的时间和对象边界,而不只是随机拆分几行数据。

准确率高就代表模型好吗?

不一定。若某事件本来很少发生,全部预测为“不发生”也可能取得较高准确率,却没有业务帮助。还需要看漏报、误报、召回与决策成本。

不同任务指标不同。价格预测关注误差大小,风险识别关注错过和误拦的代价,生成任务还需要评价事实、格式与可用性。单个分数通常不能表达全部价值。

模型输出概率也需要谨慎解释。它是否与真实发生频率相符,需要校准与验证,不能把一个分数直接称为确定结论。

机器学习与规则系统怎样选择?

规则清楚、变化少、需要明确解释的任务,传统程序可能更简单。模式复杂、样例较多、难以逐条列规则时,机器学习更可能有价值。

二者也可以结合:模型提出候选或风险分数,规则处理明确边界。使用模型不是放弃业务规则,而是为难以手工表达的部分增加一种方法。

深度学习是机器学习中的一类方法,通常利用多层神经网络;大语言模型又是其中面向语言能力的重要类型。并不是所有机器学习都需要大模型。

上线后为什么还要持续观察?

用户行为、产品和环境会变化,训练时的关系可能不再适用。Google 对 AI 与机器学习关系的介绍可以帮助进一步理解范围,但实际表现仍需用当前任务验证。

应观察数据分布与业务效果,识别何时需要重新训练或调整策略。数据漂移只是线索,是否造成性能下降还需要结果证据。

预测关系与因果关系为什么不同?

模型可以利用某个特征提高预测,却不意味着主动改变该特征就会改变结果。常购用户更常使用优惠券,可能因为他们本来更活跃,不能直接推出增加优惠券一定带来同样增长。

预测任务关注在既定条件下估计结果,因果问题关注行动本身产生的影响。二者需要不同证据与分析设计,可以互相支持,但不能直接替代。

同样,特征重要性说明模型怎样使用信息,不一定说明现实世界中哪个因素最关键。数据遗漏和相关关系都可能影响解释。

因此,机器学习应用应先明确目标:是排序候选、估计风险,还是评价某项措施。问题清楚之后,才能选择数据与评估方式。模型在预测上有用,并不自动获得对所有业务原因的解释权。

袋鼠云可以提供哪些相关能力?

袋鼠云数栈可提供数据准备与治理基础,AIWorks提供模型和 AI 应用相关能力。具体机器学习任务的训练、评价与运行方式,需要结合模型类型和业务要求确定。

返回概念目录