机器学习基础概念

机器学习（Machine Learning, ML）是 AI 的核心子领域，它让计算机从数据中学习规律，而不需要显式编程。

三大学习范式

监督学习

使用标注数据训练模型，常见的任务包括：

• 分类：将输入数据划分为不同类别（如图片识别）
• 回归：预测连续的数值（如房价预测）

常用算法：线性回归、决策树、支持向量机、神经网络

无监督学习

使用未标注数据，让模型自行发现数据中的结构模式：

• 聚类：将相似的数据点分组
• 降维：减少特征数量同时保留关键信息

常用算法：K-Means、DBSCAN、主成分分析（PCA）

强化学习

智能体通过与环境的交互，学习最优策略以获得最大累积奖励。

典型应用：AlphaGo、自动驾驶决策、游戏 AI

模型评估指标

• 准确率：预测正确的比例
• 精确率与召回率：分类任务的核心指标
• F1 分数：精确率和召回率的调和平均数
• 均方误差：回归任务的常用指标