不论是皮肤癌监测、黄瓜自动分拣还是检测故障电梯，机器学习都让计算机有了全新的能力。

但是在机器学习内部，整个机制又是如何运作的呢？我们先举一个简单的例子，然后由此详细解读机器学习从数据当中获得解答的整个过程。

请看 Yufeng 为大家带来的讲解：

视频时长约10分钟，建议WIFI环境下观看

我们先假设这样一个需求：建立一个能够回答面前这杯液体是啤酒还是红酒的问答系统。我们要建立的这一问答系统被称为“模型”，而此模型的建立过程被称为“训练”。训练的目的是创建出一个在绝大多数情况下能正确回答问题的精准模型。为了进行这样的训练，我们必须要搜集足够的数据，而这就是整个流程的起点。

红酒还是啤酒？

我们的数据要从一杯一杯的红酒和啤酒当中搜集。而它们汲取可数据之处颇多，诸如泡沫数量和酒杯的形状等特征都是搜集的重点。

此处，我们从中选取两个方面来搜集数据：酒水颜色（光波长）和酒精含量（浓度）。预期的效果就是通过这两项因子就分辨出两种酒水。后文中，我们会称“颜色”和“酒精浓度”为数据的“特征”。

好了，现在第一步就是到商店去买各式各样的啤酒和红酒，同时还需要淘一些测量所需的装备——测光波长的分光仪和测酒精浓度的液体比重仪。

搜集数据

一旦所有食（jiu）材（shui）和装备都齐全了，就进入了“七步走”的第一步：搜集数据。这一步至关重要，因为你所搜集的数据量和质量将决定最终形成的预测模型的好坏。比如我们的流程中，所采集的数据就是每一个样本的颜色（即透射光波长）和酒精浓度。

一种一种测完之后，大致会形成类似上述表格的数据。

数据准备

几个小时之后，我们搜集到了不少数据，接下来就要进入下一步骤：数据准备。这一步中，我们将会把数据导出到一个适当的地方，以备后期训练模型时使用。

首先将所有数据放在一起，然后将其顺序打乱。由于顺序不是判断酒水的依据，我们并不期望顺序影响到模型学习到的内容。换言之，我们判断一种酒是红的还是啤的，并不需要知道前一种或是接下来有什么酒出现。

这时，可以着手绘出可视化的数据分析结果，这些分析图将有助于你发现不同变量之间的潜在相关性，并且能帮你发现是否有数据失衡。比如，假若我们的数据中大量结果都表现出啤酒的特征，那么模型大多数时候都遇到了啤酒，所以它的推测也将倾向于啤酒。但是真实世界中，模型需要判断的啤酒和红酒的量很有可能是相同的，假若它按照训练的结果得出的大部分都是啤酒，那么它有不少时候都得出了错误的结论。

我们还需要将数据分成两部分。

• 第一部分用于训练模型，它们将占全部数据中的绝大多数。

• 另一部分则是用于评估模型的判断能力的。

  
  

显然我们不希望用于训练的数据被拿来检测模型，因为这些数据很可能被模型给直接记住了，答案脱口而出。这就好像你在考试里总不会出现平时的作业原题那样。有时我们得到的数据需要一些其他形式的调整和操作，比如去重、规范化和纠错等等，这些都需要在数据准备的过程当中完成。 而我们的这个问答系统训练用的数据并不需要进一步操作，所以现在进入下一环节。

原文出处