机器学习和模式识别的区别

不同于模式识别中人类主动去描述某些特征给机器，机器学习可以这样理解：机器从已知的经验数据（样本）中，通过某种特定的方法（算法），自己去寻找提炼（训练/学习）出一些规律（模型）；提炼出的规律就可以用来判断一些未知的事情（预测）。

也就是说，模式识别和机器学习的区别在于：前者喂给机器的是各种特征描述，从而让机器对未知的事物进行判断；后者喂给机器的是某一事物的海量样本，让机器通过样本来自己发现特征，最后去判断某些未知的事物。

 

机器根据某一事物的海量样本，总结出这一类型事物所具有的普遍规律，总结过程所使用的技能就是我们常说的算法。当足够多的样本使得算法能够总结出一套行之有效的规律后，机器就可以用这些规律对真实世界中的事件做出决策和预测。

 

比如，机器通过一百万个单身狗的样本，总结出了单身狗所具有的一些属性。当下次再给一个样本时，机器就可以很快判断出这个样本究竟是不是单身狗。

 

例如年龄的数字，身高的数字，肤色的RGB，学识的等级，还有掌握的其他技能例如撒娇、体贴、男子力、女子力，性格的归类，社交程度的评价等等。

但是，最重要的一个参数就是脸，嗯，没错，就是我们常说的颜值。

 

值得一提的是，在机器学习中，尽管电脑可以自行通过样本总结规律，但是依旧需要人工干预来为其提供规律总结的方向以及维度。例如色彩识别需要统计色彩的RGB或者CMYK值，但是要想总结出单身狗的特质，需要统计的就不仅仅是一两个简单的维度了。

 

在机器学习领域有着许多不同的流派，不同流派间的算法与建构的模型也是千差万别。就像是在武林江湖中，大家都有一技之能傍身，有人是内功修行，有人是外在技术修行，虽然都是一等一的高手，但是降龙十八掌和独孤九剑则代表了不同的武学巅峰。

转载于:https://www.cnblogs.com/smallpigger/p/10641929.html