生活分享

机器学习(Machine Learning)是什么

机器学习通过数据调整模型,让它对未见过的输入做出预测或生成内容。本文用早餐店备料预估的例子,说明特征、标签、训练与测试如何配合,辨别监督学习、无监督学习和强化学习,并解释数据泄漏、过拟合与环境变化的影响。读完能看懂模型为何需要保留测试数据,也能用具体问题判断一个看似很准的预测是否值得相信。

阅读时间约 7 分钟

LINE 分享
一组数据点被用来调整一条预测曲线,右侧新数据点以不同颜色标示,象征学习后面对未见输入。
图片:Mokaair (© Mokaair)
目录
  1. 1. 数据中的特征与答案扮演不同角色
  2. 2. 训练是调整,推理是拿来使用
  3. 3. 数据泄漏会让好成绩失去意义
  4. 4. 学习方式不止一种
  5. 5. 上线后仍要检查数据是否改变

机器学习是利用数据训练模型,让它学到可用于预测或生成内容的关系。和把所有判断逐条写死不同,开发者会选择数据、模型形式和学习目标,再由训练程序调整模型。真正要验证的,不是它能否记住已看过的数据,而是面对新情况能不能提供有用的结果。

早餐店想预估隔天需要多少份备料,可以作为直观例子。店家有过往销量、星期、营业时段和天气数据,但隔天的真实需求还不知道。以下用这个原创情境说明训练与使用的差别,不提供实际销量预测或保证。资料查证截至 2026 年 9 月 14 日。

数据中的特征与答案扮演不同角色

Google 的机器学习入门以从数据训练模型来做预测或生成内容说明这个概念。在监督学习里,特征是模型用来判断的输入,标签则是训练时提供的答案。早餐店的星期与天气可以是特征,当天实际售出份数则是标签;这些角色取决于目前要解决的任务。

同一列数据换个任务就可能换角色。若要预测销量,天气是参考信息;若要预测降雨,降雨状态就可能成为答案。先定义问题才能决定收集什么。不是把电子表格所有列都放进去,模型就自然知道哪个字段可以使用,以及哪些信息在预测当时还不存在。

还要区分需求与销量。某天只准备少量餐点并提早售完,记录的销量不等于顾客真正想买的数量。模型若只学这份记录,可能把缺货当成需求低。这是原创例子里的数据含义问题,提醒我们:标签的业务定义不清楚,再精密的算法也可能学错目标。

训练是调整,推理是拿来使用

训练时,模型先依当前参数生成预测,再用损失函数比较预测与标签的差距,更新参数以减少某种错误。训练完成后,输入新的星期和可获取的天气信息,模型生成预估,这个使用阶段叫推理。每次预测不一定会重新训练,两种流程应分开理解。

在示例中,可以先用较早期数据训练,再拿较晚期、未参与训练的日子测试。预期产物是每一天的预估和真实结果对照,并记下高估、低估及其后果。少备导致缺货,多备导致浪费,两种错误的代价可能不同,因此“平均差多少”不一定涵盖店家全部关心的事。

简单基准也很重要,例如直接参考最近相同星期的销量。新模型若没有明显优于可理解的基准,却需要大量维护,可能不值得使用。比较时应使用相同测试期间和相同可获取数据,不要让某种方法提前看见答案,另一种却只能靠当时信息。

数据泄漏会让好成绩失去意义

scikit-learn 的官方文档把数据泄漏列为常见陷阱:测试信息通过不当处理进入训练,会使评估过于乐观。对早餐店而言,若把当天结账金额当作预测当天销量的输入,模型可能表现很准,但前一晚做备料决定时根本拿不到这个字段。这种结果无法支持预期用途。

预处理也要遵守数据边界。例如需要根据数据计算某种转换参数时,应只用训练数据获取,再把同一转换应用到测试数据。若先用全部数据整理,再划分训练与测试,可能不小心让未来信息参与模型构建。工具的流水线能协助保持程序一致,但仍需要人正确设计划分。

测试数据还应接近真实使用情况。预测未来需求时,随机把相近日期打散,可能让结果比真正跨时间预测容易。应考虑时间顺序、店家差异和数据重复,而不是只看测试集有多大。评估的可信度来自合理设计,不是报表上的小数位数。

历史数据分为训练数据与预留测试数据;训练时调整参数,固定后对测试输入做预测,再与真实结果比较。
结账后才知道的信息,不能用来模拟前一晚的备料预测。 · 图片:Mokaair (© Mokaair)
阅读完整文字说明

历史数据分为训练数据与预留测试数据;训练时调整参数,固定后对测试输入做预测,再与真实结果比较。

学习方式不止一种

监督学习使用输入与答案对照,可以做销量预测或垃圾邮件分类。无监督学习则在没有指定答案标签的数据中找模式,例如把购买行为相近的交易分组;分出群组并不代表它们自动具有固定的商业意义,还需要人解读。两者解决的问题不同,不能只比谁比较先进。

强化学习关注系统在环境中采取行动后得到的反馈,学习较有利的行动策略。它不等于每次有人点赞就立刻更新模型,也不只是任何形式的反复练习。对一般备料预测,监督式方法可能已足够,没有必要因为术语热门就改成更复杂的学习形式。

也建立在机器学习之上,但生成描述与预测份数有不同验证方法。文字建议看似合理,不表示内部数字已由可靠的需求模型算出。若系统同时使用数值预测与语言说明,应让读者能看出哪一部分来自模型估计,哪一部分是后续解释。

上线后仍要检查数据是否改变

模型可能过拟合,对训练数据的细节太敏感,面对新数据反而表现较差。也可能训练时合理,但附近学校放假、店家调整品类或新竞争者出现后,数据关系改变。遇到这些情况不能只说“模型以前很准”,而要重新比较近期的预估与真实结果。

预测应帮助做决定,而不是掩盖不确定性。可以保留人工调整及原因,例如店家知道隔天附近有活动,却尚未反映在数据里。这些记录能帮助评估模型与人工各自的作用,也能辨识哪些新信息值得纳入后续数据流程。

理解机器学习的实用问题是:答案如何定义、输入当时拿不拿得到、测试是否真的隔离,以及错误会造成什么后果。问清楚这些问题,往往比只知道模型名称更能判断一个预测系统是否适合自己的工作。

机器学习中的数据角色(2026 年 9 月查证)
概念备料示例要留意的事
特征星期与预测时可得信息不能提前使用结账结果
标签实际销量或另定的需求指标售完销量可能低估需求
测试未参与训练的后续日期应符合真实预测顺序

AI 术语总索引:从 Loop Engineering 到生成式 AI

觉得这篇整理实用吗?分享给需要的朋友

LINE 分享
  • 生活分享

    代理式检索增强生成(Agentic RAG):何时需要再查一次

    代理式检索增强生成让模型参与检索决策,根据问题与已找到的证据选择数据来源、改写查询或继续补查。本文采用 LangGraph 文档中的具体流程,以比较场地借用条件示范它和固定式 RAG 的差别,并说明停止条件、权限、查询记录及成本控制。读完能判断任务需要动态探索,还是用可预测的固定流程就足够。

  • 生活分享

    图谱检索增强生成(GraphRAG):从关系看懂整批文档

    GraphRAG 把实体及其关系纳入检索,帮助回答跨文档的关联与整体主题。本文以 Microsoft 原始论文及官方文档为范围,拆解实体抽取、社区摘要、局部搜索和全局搜索,以地方活动记录示范不同问题需要不同路径。也说明图谱漏连、名称误合并与摘要失真如何影响答案,避免把一张漂亮的关系图误认为已验证的事实。

  • 生活分享

    知识图谱(Knowledge Graph):把事物与关系说清楚

    知识图谱用实体及关系组织数据,让“谁参与什么、在哪里、何时发生”能沿链接查询。本文以社群活动数据演示实体识别、关系方向、来源与时间,介绍资源描述框架(RDF)和属性图的表示差异,也说明图谱不等于可视化或可信事实。读完能判断数据适不适合建图,并理解它如何与数据表、向量搜索及图谱检索增强生成(GraphRAG)搭配。

  • 生活分享

    混合搜索(Hybrid Search):兼顾精确字词与语义

    混合搜索将全文搜索与向量等不同检索结果合并,兼顾精确代码和自然语言需求。本文用设备说明书查询拆解候选获取、去重、排名融合和重新排序,介绍倒数排名融合(RRF)如何用名次融合不同搜索结果,也提醒混合不保证全面更准。读完能用代码题、改写题和无答案题检查质量,并辨认权限、筛选与重复内容造成的偏差。

资料来源

本文依据上方所列参考来源与标示之核实日期整理;票价、时刻、功能规格或服务条款可能变动,出发、预订或购买前请至相关官方网站确认最新信息。

生活分享