机器学习

一句话：机器学习是让计算机从历史数据中自动找出规律，并用来预测新结果或做决策的技术，而不是靠人把规则一条条写死。

生活化类比

想象你教一个新人鉴定二手手机值多少钱。传统编程像给他一本死规则手册：屏幕有划痕扣 200，电池健康低于 80% 扣 300。但真实市场千变万化，规则永远写不全。

机器学习更像让这个新人看 10 万条真实成交记录：机型、成色、电池、发布时间、最终成交价。看得够多，他自己就摸出规律——甚至发现“某些机型在发布会前一周会跌价”这种你根本没想到的隐藏关系。下次来一台新手机，他就能估出合理价格。数据就是经验，模型就是那个被训练出来的“老手”。

机器学习的核心是：找一个函数 f，让它在没见过的数据上也能预测得准。

以最常见的监督学习为例，给定训练集：

D = \{(x_1, y_1), (x_2, y_2), ..., (x_n, y_n)\}

其中 x 是特征（如用户年龄、浏览时长），y 是标签（如是否下单）。模型要学一个映射：

\hat{y} = f(x; \theta)

通过最小化损失函数来优化参数 θ：

L(\theta) = \frac{1}{n}\sum_{i=1}^{n}(y_i - f(x_i; \theta))^2

几个关键概念：

- 特征（Feature）：输入变量，决定模型能看到什么。

- 标签（Label）：要预测的答案。

- 训练/验证/测试集：通常按 70%/15%/15% 划分，测试集绝不能参与训练。

- 过拟合：模型把训练数据的噪声也背下来了，新数据反而表现差。

- 泛化能力：在没见过的数据上的表现，这才是真正目标。

术语	定义	与机器学习的关系	典型场景
人工智能 AI	让机器表现出智能行为的广义领域	机器学习是实现 AI 的主流方法之一	自动驾驶、语音助手
深度学习	用多层神经网络自动提取特征的机器学习分支	是机器学习的子集，适合图像/语音等非结构化数据	人脸识别、大语言模型
数据分析	对历史数据做统计、可视化、归因	偏“解释过去”，机器学习偏“预测未来”	报表、漏斗分析
数据挖掘	从大数据中发现未知模式	常借用机器学习算法，但更强调发现	关联规则、用户分群
统计学	基于概率建模与假设检验	提供理论基础，机器学习更重预测精度	实验设计、AB 测试

一句话区分：数据分析告诉你发生了什么，机器学习预测接下来会发生什么。

1. 电商推荐与转化预测

某独立站用历史 50 万条用户行为训练点击率（CTR）模型，输入包括浏览品类、停留时长、是否加购等。上线后邮件召回活动的点击率从 2.1% 提升到 3.4%，相对提升约 62%。

2. 跨境选品与需求预测

用时间序列模型预测某品类未来 30 天销量，结合 Google Trends 和平台搜索量。某卖家把库存周转从 45 天压缩到 28 天，滞销库存占比从 18% 降到 7%。

3. 欺诈交易识别

支付风控模型基于设备指纹、IP、下单频率等特征，实时给每笔订单打风险分。行业实践中，好的模型能在误杀率低于 1% 的前提下，拦截 80% 以上的盗刷订单。

4. 客服与评论情感分析

用文本分类模型自动把评论分为好评/差评/物流问题/产品质量，准确率通常可达 85%–92%，让客服优先处理高价值投诉。

误区一：数据越多越好。

错。100 万条噪声数据不如 5 万条干净、标注准确的数据。数据质量 > 数据数量。

误区二：模型准确率 99% 就一定好。

如果正负样本比例是 99:1，一个全猜“负”的模型也有 99% 准确率，但毫无价值。要看精确率、召回率、F1、AUC。

误区三：训练好就能一直用。

用户行为、市场环境会变，模型会“漂移”。通常需要每月甚至每周重新训练和评估。

误区四：机器学习能自动找到因果。

它擅长发现相关性，不擅长证明因果。看到“冰淇淋销量和溺水率正相关”，别急着下结论，背后可能是“夏天”这个共同原因。

误区五：一定要用深度学习。

很多电商场景，逻辑回归、XGBoost 这类传统模型效果就很好，训练快、可解释、成本低。杀鸡不必用牛刀。