当前位置：首页 > article >正文

机器学习的通俗解释

article 2025/1/27 12:30:28

机器学习，到底是让机器（电脑）学习什么？今天尝试用最通俗的方式来解释一下。

一、人类学习的过程

人类学习一项能力的过程，以买西瓜为例，由于不能切开西瓜来看，所以我们通常通过瓜皮的颜色、瓜蒂的曲直、拍瓜的声音等因素（参数）来选择西瓜，下面例举了部分西瓜判断的情形：

瓜皮	瓜蒂	拍击声	生/熟
浅	直	清脆	生
浅	曲	沉闷	熟
深	曲	沉闷	熟

当买过几次西瓜之后，人们通常就能够总结出买西瓜的经验了：瓜皮颜色深、瓜蒂弯曲、拍击声沉闷的西瓜，通常是熟瓜的概率比较大。

选择西瓜的过程，我们可以看作是一个函数输入输出的过程：

f（瓜皮：浅，瓜蒂：直，声音：脆）= 生瓜

f（瓜皮：浅，瓜蒂：曲，声音：闷）= 熟瓜

f（瓜皮：深，瓜蒂：曲，声音：闷）= 熟瓜

这个判断西瓜生熟的函数，当输入不同的参数时，得出的结论不一样。

二、机器学习的过程

我们来改造一下上面的函数，如果用 $x_{1},x_{2},x_{3}$ 来分别代表瓜皮、瓜蒂和拍击声音， $\omega _{1},\omega _{2},\omega _{3}$ 表示 $x_{1},x_{2},x_{3}$ 的参数，例如 $\omega _{1}=0$ 表示 $x_{1}$ （瓜皮）为浅色， $\omega _{1}=1$ 表示 $x_{1}$ 为深色，那么上面的函数可以表示为：

$f(x)=\omega _{1}x_{1}+\omega _{2}x_{2}+\omega _{3}x_{3}$

有了这个函数表示，我们可以让机器来学习判断西瓜的过程了： $\omega _{1},\omega _{2},\omega _{3}$ 这些参数，具体该怎么选择，我们不告诉机器，但是我们可以根据以往的经验，告诉机器其中一些组合的结果，例如浅、直、脆=生瓜，深、曲、闷=熟瓜，让机器自己根据部分的结果，去总结这个函数中 $\omega _{1},\omega _{2},\omega _{3}$ 这几个参数的取值。这个过程就是机器学习的过程。

西瓜生熟的例子，判断的因素（参数）不多，判断的结果也只有两种，只是一个简单的例子。你可能会好奇，机器学习这么简单，对于我们来说有什么用？

三、机器学习的一个复杂例子

下面我们来换一个复杂的例子：通过抽血化验来判断一个人是否生病。

通常的抽血化验，检查的指标项有30-50项甚至更多，我们以50项指标的化验为例，我们用 $x_{1},x_{2},\cdots,x_{50}$ 来表示这50项指标，假设每一项指标的结果分为合格（0）、不合格（1）两类，用 $\omega _{1},\omega _{2},\cdots ,\omega _{50}$ 表示，最终这些指标对应健康（0）与生病（1）两种结果，那么用函数来表示就是：

$f(x)=\omega _{1}x_{1}+\omega _{2}x_{2}+\cdots +\omega _{50}x_{50}$

所有指标组合的结果一共有 $2^{50}=1125899906842624$ 种情况，不考虑指标之间的相关因素，我们人类是不可能得到所有的结果的，也就是说，我们人类是不可能把所有结果都穷尽出来，然后仅凭抽血化验的结果就判断一个人是否生病的。

我们虽然没有所有化验的结果判断，但是一家医院还是存有几万份医生诊断的结果，也就是说，我们手头有部分化验指标对应的诊断结果，可以把这些结果告诉机器，让机器去寻找，当 $\omega _{1},\omega _{2},\cdots ,\omega _{50}$ 这些参数取什么值的时候， $f(x)=1$ ，找到了这些参数，也就找到了病人抽血化验参数与是否生病之间的对应关系。现阶段，这种对应关系可以辅助医生诊断病情，今后，这种对应关系甚至可能直接产生诊断结果。