机器学习在干嘛？就是利用已有数据，找到一些合适的数学模型去描述它，然后做一些预测分析，从而优化企业的流程或者提高决策效率。机器学习的核心是：模型、策略和算法
机器学习的目的——模型（Model）
模型就是用来描述客观世界的数学模型，模型是从数据里抽象出来的。在进行数据分析时，我们通常手上只有数据，然后看数据找规律，找到的规律就是模型。就跟我们小时候做猜数字游戏似的，1，4，16…（）…256…括号里面是什么？只有把这串数抽象成模型，我们才能知道括号里面是什么。
再举个例子，购买产品的顾客到达服务台的时间是什么模型？也许是一个泊松分布。股票价格随时间的变化是什么关系？是基于布朗运动的二项随机分布…
模型可以是确定的，也可以是随机的，无所谓，总之用数学可以描述，只要数学可以描述的，就可以进行预测分析。所以，我们的根本目的，是找到一个模型区描述我们已经观测到的数据。
如何构造模型——策略（Strategy）
例如，我们想用一个正态分布去描述一组数据，我们就要去构造这个正态分布，实际上就是预测这个分布的参数，例如：均值？方差？…但是，我们需要有一系列的标准去选择合适的模型，模型不是拍脑袋来的。我想用正态分布，理由呢？我想用二项分布，凭啥呢？我想让正态分布的均值为0.5，凭什么0.5比0.2好？所以，需要有一些列标准来证明一个模型比另一个模型好，这就是策略。
不同的策略，对应不同的模型的比较标准和选择标准。就和选班干部一样，选帅的，那就让吴彦祖当班长；选逗比的，也许选出来的是王宝强；选会唱歌的，没准是周杰伦…所以，最终确定的模型是什么，实际上就跟两件事有关，1）我们的数据是什么？ 2）我们选择模型的策略是什么？
说到策略，一般会讲到，经验风险最小化作为常用的标准。经验风险最小指的是，用这个模型，用在已有的观测数据上，基本上是靠谱的。但在已有观测数据不足的情况下，我们也可以采用结构风险最小化作为标准。这也是我们在机器学习的时候用到的准则。经验风险和结构最小化是一个参数优化的过程，我们需要构造一个损失函数来描述经验风险，损失函数可以理解为我们预测一个数据错了给我们带来的代价。每个人对损失函数的定义都不同，所以优化出来的结果也不同，这也导致最终我们学习到的模型会各种各样，解决一个问题的方案有多种多样…
模型的实现——算法（Algorithm）
我们有了数据，有了学习模型的策略，然后就要开始去构造模型了，如果模型的基本形式有了，就是一个优化模型参数的问题了。面对复杂的数学优化问题，我们通常难以通过简单的求导获得最终结果，所以就要构造一系列的算法。
我们的目标是让算法尽量高效，更少的计算机内存代价，更快的运算速度，更有效的参数优化结果…
总结：在进行机器学习时，只要把握住模型、策略和算法这三个要点即可。商业决策的基础是对客观环境进行描述，我们用数学模型去描述预测，所以要采取一定的策略选择合适的模型，而模型的构造本质是数学参数优化问题，在大数据的环境下要构造合适的算法去解决对应的优化问题，这就是整个机器学习的方法构造理念。
————————————————
版权声明：本文为CSDN博主「Main_阿闪」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/Baby_bye/article/details/99626477
