如有有一天，你的小孩问：「爸爸，什么是机器学习呀？」

爸爸，什么是机械进修呀?

根据练习数据，模型中的特点分可能会被设置为甜3分，咸1分，松脆1分，蔬菜为-1分。则巧克力冰淇淋、披萨、草莓、凤尾鱼、花椰菜、和球芽甘蓝在模型中的得分如下：

近日，计算机科学博士Daniel Tunkelang就在Quora上答复了这个问题——

不如我们由机械进修中的分类问题入手，教计算机进修哪些食物好吃，哪些难吃。

如有有一天，你的小孩问：「爸爸，什么是机械进修呀？」

和仁攀类不一样，计算机没有淄?棘不克不及品尝食物。所以，我们须要用很多食物样例(标记的练习数据)教管帐算机。这项样例中有厚味的食物(正例)，也有恶心的(负例)。对于每个被标记的示例，我们给计算机供给了描述食物(特点)的办法。

在真正的机械进修体系中，你可能须要更多的练习数据，但3正3负的例子够我们懂得概念了。

如有有一天，你的小孩问：「爸爸，什么是机械进修呀？」

如今，我们须要一些特点。不妨就将这些样例设置为甜、咸和蔬菜三个特点，因为为二元特点，所以每种食物的每个特点都被付与“是”或“否”的值。

如有有一天，你的小孩问：「爸爸，什么是机械进修呀？」

有了这些练习数据后，计算机的工作就是大年夜这些数据中总结一个公式(模型)。如许，当它会碰到新食物时，它能根据模型决定食物是厚味照样恶心的。

一种模型是点体系(线性模型)。如不雅具备每个特点，就会获得必定分数(权重)，如不雅不具备就没有分数。然后，模型将食物的点数加起来，获得最终分。

模型里有一个分界点，若得分高于分界点，模型就剖断食物厚味;如不雅分数低于分界点，就剖断难堪吃。

如有有一天，你的小孩问：「爸爸，什么是机械进修呀？」

权重绕揭捉?择分界点更轻易，因为正例都得分≥2，负例得分≤1。

总能精确找到权重和分界点不太轻易。即使找到了，最终可能会获得一个只实用于这个练习数据的模型，但当我们用新例子时，模型效不雅就没这么好了(过度拟合)。

难以答复!抓了抓开端脱发的脑袋，爸比照样被这个问题KO了。这个有些学术的问题，若何给孩子解答?

正例被标记为“厚味”，比如巧克力冰淇淋、披萨、草莓等。负例被标记为“恶心”，比如凤尾鱼、花椰菜和球芽甘蓝。

幻想的模型不仅在练习数据中精确率高，在新例中仍然有效(泛化)。平日，简单模型比复杂模型(奥卡姆剃刀)更轻易一般化。

我们可以不应用线性模型，构建决定计划树也是个好办法。在决定计划树中，只能问能用“是”和“否”答复的问题。

悠揭捉?练数据让决定计划树答对并不难，在这个示例中练习数据是如许应用的：

如同线性模型，我们须要担心过度拟合，不克不及让决定计划树太深。所以这意味着最终可能会有一个模型，固然在我们的练习数据上会犯错，但能对新数据更好泛化。

欲望孩子能听懂这个机械进修的解释~

【编辑推荐】

【义务编辑：未丽燕 TEL：（010）68476606】

　　推荐阅读

　　使用递归遍历并转换树形数据（以TypeScript为例）

一个同伙问我应当怎么年腋荷琐树的 JSON 数组生成 HTML，应用 <ul> 和 <li> 来构建页面元素。于是我简单的画了个树型构造图然后写了对应的模仿数据(JavaScript 对象)深度遍历const data >>>详细阅读

地址：http://www.17bianji.com/lsqh/38417.html