机器学习为什么需要训练，训练出来的模型具体又是什么？ 比喻讲解

举个栗子：

1.你可以把机器想象成一个小孩子，你带小孩去公园。公园里有很多人在遛狗。

简单起见，咱们先考虑二元分类问题。你告诉小孩这个动物是狗，那个也是狗。但突然一只猫跑过来，你告诉他，这个不是狗。久而久之，小孩就会产生认知模式。这个学习过程，
就叫“训练”。所形成的认知模式，就是”模型“。

训练之后。这时，再跑过来一个动物时，你问小孩，这个是狗吧？他会回答，是/否。这个就叫，预测。

一个模型中，有很多参数。有些参数，可以通过训练获得，比如logistic模型中的权重。但有些参数，通过训练无法获得，被称为”超参数“，比如学习率等。这需要靠经验，过着grid search的方法去寻找。

上面这个例子，是有人告诉小孩，样本的正确分类，这叫有督管学习。

还有无督管学习，比如小孩自发性对动物的相似性进行辨识和分类。

2.想象一下某天你去买芒果。供应商摆放了一车的芒果。你可以尽管挑选，随后店家会根据你选的芒果重量收费

作者：匿名用户
链接：https://www.zhihu.com/question/29271217/answer/44107856
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

很明显，你想挑最甜最熟的芒果（毕竟不是根据芒果质量给钱，而是芒果重量）。你会如何选芒果呢？

 

你想起你祖母曾经告诉你嫩黄色的比淡黄色的芒果甜。所以你制定了一个简单的规则：只选嫩黄色的芒果。你对比芒果颜色，选择嫩黄的，然后付钱回家，Happy ending?

Too young too simple 啊！

• 生活是复杂滴

想象一下你回家之后，尝了一口芒果，呸！竟然不是你想象的甜！一点都不甜。然后你很沮丧，同时觉得祖母不够明智。你觉得除了颜色，应该有更多方法选甜甜的芒果。

经过大量的思考（以及品尝不同类型的芒果），你总结出一个铁则：越大颜色越嫩黄的芒果一定是甜的，而越小颜色却嫩黄的芒果有0.5的可能性是甜的。

为此你感到灰常地开心，然后把它谨记在心，准备下次买芒果的时候用。但是当你到了超市之后，你发现你最喜欢的芒果整个小镇都没有了。你只好买生产地不同的另一种芒果。此时你意识到你之前尝尽千种芒果总结的铁则已经失效。你必须从头开始尝（好幸福的买家）。从这家商店尝遍了所有类型的芒果之后，你总结了铁则2：小的、浅黄色的芒果一定是甜的！（真是不容易）。

现在，一个远亲表妹从另一个城市来拜访你。你决定用芒果招待她。但是她说她不介意芒果甜不甜，她最想吃多汁的芒果( ╯□╰ )。再一次，你运用你的经验，尝尽了牛鬼神蛇（各种各样）的芒果，然后铁则3诞生：越软的芒果越多汁。

后来，你去了世界的另一个地方。这里的芒果与你国家的天壤之别。后来铁则4呱呱坠地：绿色的芒果比黄色的口感更好。

再后来，你跟一个讨厌吃芒果的人结婚了（这真是个悲伤的故事）。她更喜欢吃苹果。你去苹果市场买苹果，但是你所有的芒果铁则在这里都是废物了。与芒果类似，你根据苹果的颜色和形状以及味道来总结出一套苹果铁则。你这样做（尝了好多苹果(●'◡'●)），皆因爱她。

• 进入计算机程序的世界

现在，想象这一切，你正在写一个计算机程序来帮助你选芒果（或你媳妇的苹果）。你将把下面的规则写出来：
if( 颜色是嫩黄 and 尺寸是大 and 卖的是自己最喜欢的芒果 )
芒果是甜哒！
if( 芒果是软的 )
此芒果多汁！
etc.

你将用这个铁则选芒果。你甚至可以把这个选芒果铁则清单发给你的弟弟，并且你确信他会帮你买到你最想要的芒果。

但是每多一次经验，在你重新审视你的铁则的时候不得不更改铁则清单。你必须了解所有影响芒果质量的错综复杂的细节。如果问题足够复杂，制定出精确的芒果规则是一件非常困难的事。而你的research可能会为你赢得芒果科学界的PhD（如果有的话）。

 

1.机器学习为什么要训练？
你可以把买芒果的人当作机器，如果没有大量调查芒果的甜度与大小和颜色的关系，买到的芒果甜不甜就是一个概率事件。在这里，调查芒果的过程就是训练。
2.训练出来的模型是什么？
训练出来的模型，就是调查出来的结果。即，越大越嫩黄并且是”你“最喜欢产地出产的芒果，也就越甜。按照这个模型来买芒果，就一定是符合”你" 的甜芒果。