机器学习

机器学习解决的是“规则难以手写，但历史数据里有规律”的问题。它不要求人把每条判断规则写出来，而是让模型从样本中学习输入和输出之间的关系。

一个机器学习项目可以理解成训练一个有经验的质检员：先给它看大量历史样本和正确答案，再用新样本考它，最后把它放到真实流程里持续观察表现。

概念边界

概念	含义	例子
样本	一条可学习记录	一笔订单、一张图片、一次点击
特征	模型能看到的输入信号	价格、时间、用户等级、文本向量
标签	希望模型学会预测的答案	是否欺诈、是否流失、图片类别
模型	从特征到答案的映射函数	决策树、逻辑回归、神经网络
训练	用历史样本调整模型参数	让预测结果越来越接近标签
评估	用未参与训练的数据检验效果	准确率、召回率、AUC、误差

机器学习不是“把数据倒进去就会变聪明”。它更像把业务问题翻译成可学习的样本、特征和目标，再用评估指标检查模型是否真的有用。

三类学习方式

监督学习

监督学习有样本和答案。它像带答案的练习册，模型反复练习后学会判断新题。

适合场景：

• 风控：判断交易是否异常。
• 客服：判断工单类型。
• 运营：预测用户是否流失。
• 价格：预测房价、销量或需求量。

分类任务输出离散类别，例如“垃圾邮件/正常邮件”；回归任务输出连续数值，例如“预计销量 1200 件”。

无监督学习

无监督学习只有样本，没有标准答案。它更像整理一堆未标注资料，让模型按相似性分组或压缩结构。

适合场景：

• 用户分群：把行为相似的用户归为一组。
• 异常发现：找出与大多数样本差异明显的记录。
• 降维可视化：把高维数据压到二维或三维观察结构。

无监督学习的结果要特别小心解释。模型能分出组，不代表这些组一定有业务意义，必须回到业务特征和样本案例中验证。

强化学习

强化学习不是直接给标准答案，而是让模型在环境中行动，根据奖励或惩罚学习策略。

适合场景：

• 游戏策略。
• 机器人控制。
• 推荐或广告中的长期收益优化。
• 自动调度与资源分配。

它更像训练驾驶员：不是每一步都告诉他正确动作，而是根据是否安全、是否到达目的地、是否耗油过高来调整行为。

深度学习的位置

深度学习是机器学习的一类方法，使用多层神经网络学习复杂模式。它在图像、语音、自然语言和多模态任务中表现突出。

常见架构可以这样理解：

架构	擅长处理	直观理解
CNN	图像、局部空间模式	用多个滤镜逐层识别边缘、纹理、物体
RNN	早期序列任务	带记忆地逐步读序列
Transformer	文本、多模态、长上下文	用注意力机制判断哪些位置彼此相关

大语言模型主要建立在 Transformer 体系上，但大语言模型不是机器学习的全部，只是当前最有影响力的一类模型。

一次机器学习项目怎么落地

先定义业务目标

不要从“我要训练模型”开始，而要从业务问题开始：

• 要减少什么损失。
• 要提高什么效率。
• 模型输出给谁使用。
• 错判和漏判哪个代价更高。
• 是否允许人工复核。

风控场景中，漏掉欺诈可能损失资金；误杀正常用户可能损失体验。两个代价不同，评估指标也不同。

再定义样本和标签

标签决定模型学什么。标签错，模型会稳定地学错。

常见标签问题：

• 标签来自人工判断，但人工标准不一致。
• 标签滞后，例如用户是否流失要很久才知道。
• 标签被业务流程污染，例如被人工拦截的交易永远看不到真实结果。
• 正负样本极不平衡，例如欺诈样本很少。

然后构建特征

特征是模型能看到的信号。好的特征能把业务经验转成可计算输入。

订单风控中可能包含：

• 用户历史交易次数。
• 当前设备是否首次出现。
• 收货地址与常用地址距离。
• 下单时间是否异常。
• 同一 IP 短时间内订单数量。

特征不是越多越好。无关特征会增加噪音，泄露未来信息的特征会让离线评估看起来很好，线上却失效。

评估指标怎么选

任务	常见指标	关注点
分类	准确率、精确率、召回率、F1、AUC	错判与漏判的代价
回归	MAE、RMSE、MAPE	预测误差大小
排序	NDCG、MRR、点击率、转化率	排名是否把好结果放前面
聚类	轮廓系数、业务解释性	分组是否稳定且有意义

不要只看一个总体准确率。欺诈识别中，如果 99% 都是正常交易，模型全部预测“正常”也可能有 99% 准确率，但没有业务价值。

部署后还要监控

模型上线不是结束。真实环境会变化：

• 用户行为变化。
• 业务规则调整。
• 数据采集口径变化。
• 新设备、新渠道、新攻击方式出现。
• 上游字段缺失或延迟。

需要监控两类指标：

• 业务指标：转化率、拦截率、投诉率、损失金额。
• 模型指标：输入分布、预测分布、置信度、线上抽检结果。

模型表现变差时，先查数据链路，再查特征分布，最后再考虑重训或换模型。

常见误区

误区	问题	更合适的做法
先选算法再找问题	容易做成技术演示	先定义业务目标和错误代价
数据越多越好	噪音和错误标签会放大问题	关注标签质量和代表性
离线指标高就能上线	线上数据分布可能不同	做灰度、监控和人工抽检
深度学习一定更好	成本高、解释难	简单模型先做基线
模型能自动发现业务真相	模型只学习数据里的相关性	结合业务校验和反事实分析

总结

机器学习的关键不是模型名字，而是把业务问题变成可学习、可评估、可监控的闭环。先定义目标和错误代价，再处理样本、标签和特征，最后用合适指标评估并持续监控。数据质量和问题定义通常比算法选择更早决定项目上限。