4、机器学习系统类型、挑战与应对策略

机器学习系统类型、挑战与应对策略

一、在线学习与数据质量问题

在线学习面临着一个重大挑战，即如果向系统输入不良数据，系统的性能会逐渐下降。在实时系统中，客户很容易察觉到这种性能下降。不良数据可能源于机器人故障的传感器，或者有人为了在搜索引擎结果中获得高排名而进行的垃圾信息干扰。

为降低这种风险，需要密切监控系统。一旦检测到性能下降，应立即停止学习，可能的话恢复到之前正常工作的状态。同时，也需要监控输入数据，对异常数据做出反应，例如使用异常检测算法。

二、基于实例学习与基于模型学习

机器学习系统可以根据泛化方式进行分类，主要有基于实例学习和基于模型学习两种方法。

（一）基于实例学习

最简单的学习方式之一是死记硬背。以垃圾邮件过滤器为例，如果只是标记与用户已标记的垃圾邮件完全相同的邮件，这虽然不是最差的解决方案，但肯定不是最好的。更好的做法是标记与已知垃圾邮件非常相似的邮件，这就需要一种衡量两封邮件相似度的方法，比如计算它们共同拥有的单词数量。如果一封邮件与已知垃圾邮件有很多共同单词，就将其标记为垃圾邮件。

基于实例学习就是系统记住这些示例，然后通过相似度度量将新案例与已学习的示例（或其子集）进行比较，从而实现泛化。例如，在某个示例中，新实例会被分类为三角形，因为大多数最相似的实例属于该类别。

（二）基于模型学习

另一种从一组示例中进行泛化的方法是构建这些示例的模型，然后使用该模型进行预测，这就是基于模型学习。

以研究金钱是否能让人幸福为例，我们可以从经合组织（OECD）网站下载“美好生活指数”数据，从国际货币基金组织（IMF）网站下