如何向小白介紹機器學(xué)習(xí)和數(shù)據(jù)挖掘_數(shù)據(jù)分析師

買芒果

嘴饞的你想吃芒果了，于是你走到水果攤，挑了幾個讓老板過過秤，然后你再根據(jù)芒果的斤兩付錢走人。

顯然，買芒果你當然是挑著最甜、最熟的來買（因為你是根據(jù)重量而不是質(zhì)量來掏錢的）。怎么個挑法才靠譜呢？

對了，你奶奶說過，金黃色的要比淺黃的更甜些。于是你就做了一個簡單的規(guī)定：只挑金黃色的買，過磅、付錢、回家。就這么簡單？

不盡然。

生活沒那么簡單

拎著芒果回到了家，嘗了嘗，你發(fā)現(xiàn)有些很對口味，有些則馬馬虎虎。顯然，光憑你奶奶的智慧還是有所不足的。挑芒果不能只看顏色。

一番細品，再一番苦想之后，你得出了結(jié)論：那些大個兒的、金黃色的芒果一定是甜的，而那些小個兒的、金黃的就只有一半是甜的了。（比如，你買了 100 個黃燦燦的芒果，50 個個頭較大，50 個個頭一般，那么個頭大的那 50 個就都是甜的，個頭小的 50 個當中就平均只有 25 個是甜的了。）

你對自己的研究發(fā)現(xiàn)甚感滿意，想著下次買芒果的時候能更靠譜些。終于你又來到了水果市場，發(fā)現(xiàn)你最常去的那個水果攤已經(jīng)見不著蹤影了。于是你就找了另一個攤檔，而他們的芒果又產(chǎn)自不同的地方。你撓撓頭，嘆了口氣：得了，“大個、金黃色的果子甜”的經(jīng)驗在這又不適用了，一切從頭開始。嘗了一遍后，你發(fā)現(xiàn)那些小個的、淺黃的芒果是當中最甜的。

你的表妹大老遠的來看你，你決定給她整些美味的芒果嘗嘗。但她并不在乎果子甜不甜，而只關(guān)心是不是鮮嫩多汁。好吧，你又撓撓頭，在果攤嘗了一遍，發(fā)現(xiàn)越軟的越多汁。

這次，你到了另一個國度。這兒的芒果味道與家鄉(xiāng)的截然不同：綠色的竟然要比黃色的味道更棒。

你結(jié)了婚，發(fā)現(xiàn)她對芒果完全不感冒，而對蘋果很是喜歡。這回，你又跑去買蘋果去了。你又得學(xué)神農(nóng)“遍嘗百果”，摸索蘋果的物理特征和味道之間都有怎樣的聯(lián)系——為了她，又有什么不可以的呢？滿滿的都是愛呀。

寫段電腦程序來幫忙

為什么不用電腦程序來幫你挑芒果（或蘋果）呢？你把規(guī)則寫了出來：

if (color is bright yellow and size is big and sold by favorite vendor): mango is sweet.
if (soft): mango is juicy.
etc.

這就是你挑芒果用到的規(guī)則了。把它發(fā)給你的弟弟，想必他也能幫你買到對你口味的芒果。

但問題在于，每回你在試驗之后得出了觀察結(jié)果，你都得把規(guī)則做一番修正。你還得明察秋毫地了解清楚都有那些因素在影響芒果的品質(zhì)。如果問題復(fù)雜起來的話，你在上面耗費的心血甚至都有可能為你拿個“芒果科學(xué)”的 PhD 下來（如果有的話）。

但這樣的大閑人還真的不多。

寫個機器學(xué)習(xí)算法吧

機器學(xué)習(xí)算法是普通算法的進化版，它們讓你的程序變得“更聰明”，能從你提供的數(shù)據(jù)里自動學(xué)到東西。

你在市場上隨機選擇了某個品種的芒果（training data），把每個芒果的物理特征都寫進了一個表格——顏色、大小、形狀、產(chǎn)地、所屬果攤等（features），甜度、多汁程度、成熟度（output variables）也做了記錄。你把這些數(shù)據(jù)都放進了一個機器學(xué)習(xí)算法（classification/regression），然后這個算法就會自動從芒果的物理特征和品質(zhì)之間得出一個相關(guān)性模型。

等到下一回你到市場的時候，你把在售的芒果的特征信息都收集起來，再扔進你的機器學(xué)習(xí)算法，它就會利用之前計算出來的模型來預(yù)測哪些芒果是甜的、熟的、以及／或多汁的了。該算法可能會使用和你曾經(jīng)手寫的差不多的規(guī)則，也有可能使用的規(guī)則會更有相關(guān)性，不管怎樣，在很大程度上你都不用操太多心了。

現(xiàn)在，算法在手，你就可以挺直身板去買芒果去了。更重要的是，你的算法還能繼續(xù)演進（reinforcement learning），讀取更多的訓(xùn)練數(shù)據(jù)，準確率也更高，每預(yù)測錯誤后再進行自我修正。更妙的是，你還能用同一個算法來訓(xùn)練不同的模型，預(yù)測預(yù)測蘋果、橙子、香蕉、葡萄、櫻桃、西瓜什么的。