CHAPTER 01 / 37
机器学习在做什么？
当我们谈机器学习时，真正需要想清楚的不是算法有多复杂，而是：你是在预测一个已知目标，还是在寻找一个尚未被定义的结构。
如果把机器学习放在一个非常简单的框架里，它其实只解决一个问题——当数据越来越多时，我们如何从中提取稳定的规律？
传统编程依赖人写规则，机器学习则是用数据去“反推出规则”。而几乎所有机器学习问题，都可以落在两个大的方向上：有明确答案的学习没有明确答案的学习。
技术上，这两类叫做：监督学习和非监督学习。
第一篇，从这两个最基本的结构开始。
监督学习：当我们知道自己在找什么
现实世界里，大多数机器学习项目，其实都属于监督学习。原因很简单：大多数业务问题，都是“预测”。
比如这笔贷款会不会违约？ 这个用户会不会流失？ 这个商品能卖多少钱？ 这条广告是否会被点击？
这些问题都有一个共同点：我们知道什么叫“对”。 历史数据里，已经存在结果。
形式上可以写成：
输入 X → 输出 Y我们给模型大量的 (X, Y) 样本，让它学习一个函数f，使得： f(X) ≈ Y
监督学习占据了当下绝大多数商业应用场景。
风控、推荐排序、广告投放、销量预测，本质都是如此。
在监督学习内部，又可以分成两类。
回归（监督学习）：预测一个连续数值
当输出是一个连续数值时，就是回归问题。
举个例子，假设你在做一个二手车平台，你想根据车辆信息预测合理售价。输入可能包括：行驶里程、车龄、品牌型号、是否出险、城市；输出是：预计成交价格。
这是一个典型的回归问题，常见算法包括：线性回归、岭回归/Lasso和神经网络。
示例代码如下（看不懂没关系，后面文章会详细介绍）：
import numpy as np
from sklearn.linear_model import LinearRegression
X = np.array([[5, 80000], [3, 40000], [8, 120000]]) # 车龄, 里程
y = np.array([8.5, 12.0, 5.0]) # 价格（万元）
model = LinearRegression()
model.fit(X, y)
prediction = model.predict([[4, 60000]])
print(prediction)从数学角度看，模型是在寻找一条（或一组）函数曲线，使误差最小。
从业务角度看，回归给的是一个“可排序”的数值。
分类（监督学习）：做出有限选择
如果输出不是一个连续值，而是有限个类别，那就是分类问题。
比如：是否违约（是 / 否）、是否高风险（低 / 中 / 高）、图片属于哪一类等。
再换个产品场景。
假设你在做一个内容社区，你希望在发布阶段就判断：这条内容是否可能违反社区规则？ 输出是：
0 = 正常
1 = 需要审核这就是二分类问题，示例代码如下（同样的，暂时看不懂没关系）：
from sklearn.linear_model import LogisticRegression
import numpy as np
X = np.array([[100, 5], [10, 1], [200, 20]]) # 阅读数, 举报数
y = np.array([0, 0, 1]) # 是否违规
model = LogisticRegression()
model.fit(X, y)
prediction = model.predict([[150, 15]])
print(prediction)分类与回归的区别在于：
-
回归预测任意连续数值
-
分类预测有限个类别
但它们都属于监督学习，因为我们有“标准答案”。
从监督学习到一个自然问题
当我们理解监督学习之后，会很自然地遇到一个问题：如果数据里根本没有“答案”，怎么办？
现实中并不是所有问题都已经有标签。
例如：用户到底可以分成几类？行为模式是否存在自然分群？哪些交易“看起来异常”？
这些问题并没有现成的 Y。这时，监督学习就无法直接使用。
于是，就进入第二种结构。
非监督学习：当我们不知道答案
非监督学习的数据形式只有：
输入 X没有对应的输出Y。
算法的任务不再是预测结果，而是在数据内部寻找结构。
它在商业中的占比没有监督学习那么高，但在认知和分析层面非常重要。
聚类（非监督学习）：自动发现分组
假设你在做一个在线教育产品。
你有用户行为数据：每周学习时长、完课率、是否购买会员、活跃时间段。
但你并不知道：哪些人属于“高自驱型”、哪些人是“冲动型购买”、哪些人是“试听型用户”。
你可以使用聚类算法，让数据自己分组。
from sklearn.cluster import KMeans
import numpy as np
X = np.array([
[10, 0.9],
[2, 0.2],
[8, 0.8],
[1, 0.1]
]) # 学习时长, 完课率
kmeans = KMeans(n_clusters=2)
kmeans.fit(X)
print(kmeans.labels_)需要注意的是，算法不会告诉你“这组叫高价值用户”，它只告诉你“数据自然分成了两群”。
解释工作仍然需要人来完成。
异常检测（非监督学习）：识别偏离
另一类常见问题是：找出“不像其他人的样本”。
例如：某个账号行为突然异常，某台设备震动模式异常，某笔交易偏离常规模式。这里的目标不是预测类别，而是判断“偏离程度”。
常见方法包括：基于概率分布建模、Isolation Forest、One-Class SVM。（看不懂没关系，以后会详细介绍到。）
本质上，是对“正常结构”建模，再识别离群点。
两种方式在现实中的分工
如果从应用角度看，监督学习解决“预测未来”，非监督学习解决“理解现在”。
在商业场景中，监督学习的直接价值更明显，因此应用比例更高。
但非监督学习往往出现在产品早期、市场分析、数据探索阶段，它帮助我们重新认识数据本身。
有时，两者还会结合：先用聚类做用户分层，再对每个层分别训练监督模型。
所以它们并不是对立关系，而是不同阶段的工具。
决定写这个系列，并不是为了把算法罗列一遍，而是希望把机器学习还原成一种可以被理解、被讨论的产品能力。
很多时候，我们谈模型、谈框架、谈效果，却很少回到问题本身：它究竟在解决什么结构性的难题？如果不能用清晰的语言说明问题形态，再复杂的模型也只是技术堆叠。
监督学习和非监督学习的差别，本质上是问题是否已经被定义清楚。
监督学习适用于目标明确、结果可衡量的场景，它回答的是“未来会怎样”；非监督学习则发生在目标尚未成形时，它试图回答“数据里到底有什么”。一个偏向优化，一个偏向认知；一个依赖既有标准，一个帮助建立标准。
真正有价值的，不是掌握多少算法，而是知道什么时候该预测，什么时候该探索。机器学习并不是替代判断，而是迫使我们更清晰地定义判断本身。
附录：本文涉及的专有名词中英文对照（标红为最核心）
A、基础概念
B、本文内容核心名词
C、监督学习
D、非监督学习