机器学习的框架

特征量（特徴量）是指在对象具有的各种性质中，选出可作为学习和预测线索的部分，并用数值表示出来的东西。

原样收集来的数据中混有对判断没有帮助的信息，所以要挑出对目标有用的性质，把它们变成数值后作为学习的输入。选用哪些特征量，会大大影响预测的准确程度。过去由人来设计特征量，而在深度学习（ディープラーニング，把模仿人脑神经回路的结构叠成多层来学习的方法）中，计算机会在学习过程中自己找出应该关注的地方。

类比就像给二手自行车估价的人，看的不是颜色合不合自己口味，而是骑过多少公里、轮胎磨损到什么程度。只把决定价格的那几点用数字挑出来。

记法日语名称里的“量”表示用数来表示。是变成数值的特征，所以叫特征量。

该术语的过去问 2 题 特徴量 →

机器学习（機械学習）是计算机从大量数据中学到规律，再用于预测和判断的技术。

学习之后得到的、由输入推导出结果的计算机制称为模型（モデル）。模型也能套用到没有用于学习的新数据上，因此可以根据过去的记录估算今后的数值，或判定一张图像拍的是什么。按学习方式划分，代表性的有监督学习、无监督学习和强化学习这 3 种。

类比就像一位见习预报员，对比了大量过去的天气图之后，渐渐能估计明天的天气。从一大堆实例中摸到诀窍。

记法英文是 Machine Learning，常取首字母写作 ML。

该术语的过去问 2 题 機械学習 →

监督学习（教師あり学習）是让模型学习输入数据与其正确答案（标签）的组合，使它能对未知的输入给出答案的方式。

给学习数据加上正确答案的工作称为标注（アノテーション），答案标得好坏会左右模型的质量。代表性的方法有回归（回帰）和分类（分類），做好的模型要用已知答案的数据来测试，衡量其性能。衡量性能的指标之一是召回率（再現率），表示在实际为阳性（想要找出的一方）的对象中，模型也判定为阳性的比例。

类比就像用附有答案和解析的习题册练习。反复对答案之后，遇到第一次见的题也能答出来。

记法“教師”（老师）就是知道答案的人。把答案放在旁边学习，所以是“有老师”（あり）。中文叫“监督”，同样是有人在旁边对答案。

该术语的过去问 2 题 教師あり学習 →

无监督学习（教師なし学習）是不给正确答案、只让模型学习数据，从中找出数据里的分组和结构的方式。

代表性的方法是自动把相似数据归为一组的聚类（クラスタリング）。它适合事先没有确定答案的场景，例如根据购买倾向把顾客分成几个层次。分出的各组代表什么，要由人查看内容后来解释。

类比就像第一次逛一个市场，把叫不出名字的蔬菜按形状和颜色相近的分进不同的筐里。即使没人告诉你名字，也能把相似的放在一起。

记法“なし”指没有正确答案标签。可以想象成只拿到一张没有答案的试卷。

该术语的过去问 2 题 教師なし学習 →

强化学习（強化学習）是以行动结果所得到的奖励（结果越好数值越大的评价）为线索，通过反复试错，学会能获得更大奖励的行动方式。

它不断重复“行动并获得结果”的过程，不只看眼前的奖励，而是寻找从长远看奖励总和更大的行动。它被用于选择棋类游戏的走法，以及控制机器人不摔倒地行走等方面。

类比就像练骑自行车时，没有人教你步骤，你只凭“没摔倒能骑多远”这个手感来调整身体的用法。

记法“强化”原是心理学用语，指受到表扬的行为会越来越常被重复。记住“用奖励来强化行动”。