下载掌阅APP，畅读海量书库
立即打开
如前所述，机器学习就是通过建立数学模型来理解数据。当我们赋予机器学习模型调整其 内部参数 的能力时，学习就进入了这个过程；我们可以调整这些参数，以使模型更好地解释数据。在某种意义上，这可以理解为模型从数据中学习。一旦模型掌握了足够多的知识——不管这意味着什么——我们可以要求模型解释新观测到的数据。
一个典型的分类过程，如图2-1所示。
图2-1 一个典型的分类过程
让我们一步一步分解吧！
首先，需要注意的是，总是把机器学习问题分成（至少）两个不同的阶段：
将数据分解成训练集和测试集的重要性不容小觑。我们总是在一个独立的测试集上评估我们的模型，因为我们感兴趣的是我们的模型 对新数据的泛化能力 。最后，无论是机器学习还是人类学习——这难道不是学习的全部意义吗？回忆一下你在学校的时候，那时你还是个学生：在家庭作业中解决的问题，在期末考试中几乎不会以完全相同的形式出现。这同样也应该适用于机器学习模型；我们对模型记忆一组数据点的能力不太感兴趣（比如一道家庭作业题），但是我们想知道模型如何利用所学的知识来解决新问题（比如在期末考试中出现的试题）并解释新的数据点。
通常，高级机器学习问题的工作流程包括一个称为 验证数据集 的第三组数据。目前，这种区分并不重要。通常通过进一步划分训练集形成一个验证集。验证集用于模型选择等高级概念，当我们熟练地构建机器学习系统时，我们将讨论验证集（见第11章）。
接下来要注意的是：机器学习实际上是关于 数据 的。数据以原始形式输入前面描述的工作流程图（不管这意味着什么）并在训练阶段和测试阶段使用。数据可以是从图像和电影到文本文档和音频文件的任何形式。因此，在数据的原始形式中，数据可能由像素、字母、单词，甚至更糟糕的纯比特构成。显而易见，使用这种原始形式的数据可能不太方便。我们必须找到对数据进行 预处理 的方法，以便把数据转换成 易于解析或易于使用的 形式 。
数据预处理分为两个阶段：
一个更高级的主题是创造有用信息特征的过程，即 特征工程 。毕竟，在人们可以选择主流特征之前，必须先有人创造出这些特征。通常，对于算法的成功，特征工程比算法本身的选择更重要。我们将在第4章中全面地讨论特征工程。
不要让命名 约定 把你弄糊涂了！有时，很难区分特征选择和特征提取，这是由命名方式导致的。例如，SURF既表示特征提取又表示特征的实际名称。 尺度不变特征变换 （Scale Invariant Feature Transform，SIFT）也如此，这是一个特征提取器，可以生成 SIFT特征 。可是，这两种算法都申请了专利，不能够用于商业目的。我们不会共享这两种算法的代码。
最后需要说明的一点是：在监督学习中，每个数据点都必须有一个 标签 。标签识别一个数据点属于某一类事物（如猫或狗），或者具有某个特定的值（如房价）。最终，监督学习系统的目标是预测测试集中所有数据点的标签（如图2-1所示）。我们通过使用带标签的数据在训练数据中学习规则，然后在测试集中测试性能来实现这一任务。
因此，要构建一个有效的机器学习系统，我们必须先学习如何加载、存储和操作数据。如何使用OpenCV和Python来实现这个目标呢？