它是什么
机器学习是让计算机系统从数据中学习模式，并据此改进预测或决策表现的方法。它与逐条编写固定规则不同：开发者定义任务、数据和评价方式，训练过程再调整模型参数。[S1][S2]
为什么需要它
垃圾邮件、图像和用户行为等问题往往包含大量变化，很难穷举规则。机器学习可以从历史样本中归纳规律，但是否值得使用仍取决于数据是否代表真实场景、结果能否验证，以及改进是否大于成本。
它如何工作
先把业务目标转成可测任务，再准备输入和目标数据。训练算法根据预测误差调整模型参数；验证集帮助选择配置，独立测试集估计模型面对未见样本时的表现。部署后还要监测数据变化和实际错误。
必须澄清的误会
机器学习 ≠ 人工智能。 机器学习只是实现人工智能的一条路线。人工智能还包括符号推理、专家系统等不依赖数据学习的做法——它们在上世纪就已经能解数学题，只是换个场景就失效。
机器学习 ≠ 深度学习。 深度学习是机器学习里用多层神经网络的一支；决策树、支持向量机、聚类同样属于机器学习，而且在小数据上往往更合适。
真实例子
邮件服务用历史邮件的文字和“垃圾/正常”标签训练分类模型。模型为新邮件输出垃圾概率，产品再按阈值放入收件箱、垃圾箱或人工复核；误拦正常邮件和漏掉垃圾邮件需要分别衡量。
什么时候适合与不适合
适合存在大量可比较样本、规律难以手写且结果可评估的任务。不适合规则已经简单稳定、缺少可信数据、错误后果无法控制，或目标本身无法清楚定义的场景。模型学到的是数据规律，不是自动获得常识。
亲自试一下
选择一个日常分类问题，先写出不用机器学习的三条规则，再列出二十个样本和正确答案。比较规则在哪些样本失败，并说明需要多少数据、哪类错误最贵，以及如何留出从未用于调整的测试样本。
接下来学什么
继续学习训练数据理解样本质量，再学习过拟合和泛化能力，判断训练表现为什么不能直接代表真实效果。
来源与修订
核心定义参考 NIST 术语表 [S1]，训练、数据、模型与真实系统的学习框架参考 Google 机器学习课程 [S2]。本文描述通用方法，不把任何单一算法或工具等同于机器学习全部范围。
Learning navigation
学习导航
沿认知链路：你现在在第 1 站，下一站是「沟通 · 怎么把需求说清楚」：先沿主路径补上这一层。
Relation topology
基础定义单元 · 暂无直接强依赖关系
「机器学习」在当前知识体系中作为底层基准概念建立，不直接依赖其它前置概念，亦未设定强约束关联。读者可直接阅读正文理解其内涵，或前往全网概念图谱探索整体领域架构。
Related names
相关名词
下面这些名字与「机器学习」讲的是同一块知识，内容已并入本页， 不再单独作为入口出现。保留链接是为了让旧地址仍然能打开。
- 超参数Hyperparameter
同域内缺少可支撑独立入口的区分度，读者真正要的是「机器学习」这一层；内容已并入该词条，本页只作旧链接的落点。
- 反向传播Backpropagation
同域内缺少可支撑独立入口的区分度，读者真正要的是「机器学习」这一层；内容已并入该词条，本页只作旧链接的落点。
- 泛化能力Generalization
同域内缺少可支撑独立入口的区分度，读者真正要的是「机器学习」这一层；内容已并入该词条，本页只作旧链接的落点。
- 过拟合Overfitting
同域内缺少可支撑独立入口的区分度，读者真正要的是「机器学习」这一层；内容已并入该词条，本页只作旧链接的落点。
- 回归任务Regression
与同域词条「机器学习」讲的是同一块知识，不再单独作为入口；内容已并入该词条，本页只作旧链接的落点。
- 监督学习Supervised Learning
与同域词条「机器学习」讲的是同一块知识，不再单独作为入口；内容已并入该词条，本页只作旧链接的落点。
- 聚类Clustering
同域内缺少可支撑独立入口的区分度，读者真正要的是「机器学习」这一层；内容已并入该词条，本页只作旧链接的落点。
- 模型参数Model Parameter
同域内缺少可支撑独立入口的区分度，读者真正要的是「机器学习」这一层；内容已并入该词条，本页只作旧链接的落点。
- 批大小Batch Size
同域内缺少可支撑独立入口的区分度，读者真正要的是「机器学习」这一层；内容已并入该词条，本页只作旧链接的落点。
- 迁移学习Transfer Learning
与同域词条「机器学习」讲的是同一块知识，不再单独作为入口；内容已并入该词条，本页只作旧链接的落点。
- 欠拟合Underfitting
同域内缺少可支撑独立入口的区分度，读者真正要的是「机器学习」这一层；内容已并入该词条，本页只作旧链接的落点。
- 强化学习Reinforcement Learning
与同域词条「机器学习」讲的是同一块知识，不再单独作为入口；内容已并入该词条，本页只作旧链接的落点。
- 深度学习Deep Learning
与同域词条「机器学习」讲的是同一块知识，不再单独作为入口；内容已并入该词条，本页只作旧链接的落点。
- 神经网络Neural Network
同域内缺少可支撑独立入口的区分度，读者真正要的是「机器学习」这一层；内容已并入该词条，本页只作旧链接的落点。
- 损失函数Loss Function
同域内缺少可支撑独立入口的区分度，读者真正要的是「机器学习」这一层；内容已并入该词条，本页只作旧链接的落点。
- 特征工程Feature Engineering
同域内缺少可支撑独立入口的区分度，读者真正要的是「机器学习」这一层；内容已并入该词条，本页只作旧链接的落点。
- 梯度下降Gradient Descent
同域内缺少可支撑独立入口的区分度，读者真正要的是「机器学习」这一层；内容已并入该词条，本页只作旧链接的落点。
- 无监督学习Unsupervised Learning
与同域词条「机器学习」讲的是同一块知识，不再单独作为入口；内容已并入该词条，本页只作旧链接的落点。
- 学习率Learning Rate
与同域词条「机器学习」讲的是同一块知识，不再单独作为入口；内容已并入该词条，本页只作旧链接的落点。
- 优化器Optimizer
同域内缺少可支撑独立入口的区分度，读者真正要的是「机器学习」这一层；内容已并入该词条，本页只作旧链接的落点。
Source register
核验来源
- Machine Learning - GlossaryNIST · 访问于 2026-07-29
- Machine Learning Crash CourseGoogle for Developers · 访问于 2026-07-29
发布 2026-07-29 · 更新 2026-07-29 · 核验 2026-07-29