下载掌阅APP，畅读海量书库
立即打开
1.5 开始你的机器学习之旅
机器学习在很大程度上是一种权衡（trade-off）的艺术，没有一种机器学习的方法一定优于另一种，一种算法在获得某种优势的同时也将受限于某种劣势。设计一个好的机器学习系统需要对各种因素通盘考虑，结合任务需求和数据特性，选择合适的机器学习方法。
我们从一个最简单的机器学习任务开始。要完成这一学习任务，我们将实验过程分为 训练（Training） 和 测试（Testing） 两个阶段。训练相当于我们平时在课堂上学知识（机器学习是学习模型）；测试相当于我们的期末考试，用来测试训练过程是否取得了足够好的学习效果。
这里有一个问题：为什么模型性能要在一个独立的测试集上验证，而不是在训练集上？这是因为在很多情况下，经过反复训练可以让模型对训练数据有充分的代表性，因此在该数据集上表现出良好性能，但对不包含在训练集中的数据性能反而会越来越差。这有些像我们平时读书备考，如果只是将课本背得滚瓜烂熟，却不会举一反三，那么考试时肯定得不到好成绩，因为考试肯定会出书本上没有的问题，过于沉溺书本就失去了对新问题的解决能力。机器学习也是如此，训练过度后，模型对训练数据描述得过细，以至于失去了代表新数据的能力，这种现象称为 过拟合 （Over-Fitting）。相反，如果对训练数据的学习达不到要求，得到的模型在其他数据集上的性能也不会好，这种现象称为 欠拟合 （Under-Fitting）。这类似于一个学生连课本上的知识点都没有掌握，在考试中肯定也会一败涂地。
如何防止过拟合呢？一个简单的方法是在训练时用测试集检验模型的性能，当模型性能在测试集上开始下降的时候，即认为出现了过拟合，此时停止训练会得到一个在测试集上性能最好的模型。但这一方法在训练时用到了测试数据信息，得到的模型对测试集产生了依赖。为防止这一问题，通常会单独设计一个 验证集 （Validation Set），基于验证集进行模型选择，选择出的模型在测试集上进行测试，将该测试结果作为模型性能的评价。
一般来说，越复杂的模型含有的参数越多，越容易对训练数据描述过细，产生过拟合。然而，过于简单的模型又不具有较好的描述能力，无法学到足够的知识。因此，选择合适的模型复杂度对解决实际问题特别重要。一般遵循的准则是：“在保证足够描述能力的前提下尽量选择最简单的模型”，这一准则称为 Occam剃刀准则 （Occam's Razor）。
机器学习中有那么多模型，有没有一种模型完胜其他模型呢？答案是没有。所谓模型好坏都是相对特定任务、特定场景、特定数据而言的。如果一个模型在某一场景、某一数据下具有某种优势，则在其他场景、其他数据下必然具有相应的劣势，这一原则称为
No Free Lunch
原则，即常说的“天下没有免费的午餐”。这一原则是机器学习实践中的基本准则
，它告诉我们对具体任务要具体分析，选择与任务相匹配的模型，才能得到较好的效果。这也提示我们要学习每种模型背后的基础假设和适用条件，唯其如此，才能对不同任务设计出合理的模型结构和合理的学习方法。
常有初学者问这样的问题：机器学习难吗？答案应该是“Yes or NO”。一方面，机器学习确实很难，有那么多的算法、理论、公式，发展又如此迅速，新方法层出不穷，让人无所适从。另一方面，如果理解了各种算法的发展脉络和内在联系，就会发现绝大部分算法都是顺延着某一主线一脉相承下来的，不同算法之间都有或多或少的关联，如果将这些脉络和关联理清楚，掌握机器学习并不是很难的事情。
特别要注意的是，机器学习是一门科学。既然是科学，就有自己的理论体系和思维方式。对于初学者，应该尽可能理解每种方法的基本思想和基本原理。这一点对年轻人尤为重要：现在有很多开源工具可用，很容易养成拿来主义、不求甚解的坏习惯，这对从事这方面的研究是非常有害的。另一方面，机器学习又是一门实践性很强的科学，理论联系实践非常重要。初学者应多动手实践，在实践中提高自己分析问题和解决问题的能力。最后，要认识到机器学习本身是有局限性的，还有很多问题需要解决。谦虚谨慎地学习，在实践中积累经验，是初学者应有的态度。