機器學習為什麼需要訓練，訓練出來的模型具體又是什麼？

1樓：南方的雨

其實和人學習乙個東西是一樣的

比如，乙個沒打過羽毛球也沒啥運動天賦但是力氣特別大的人，想學會怎麼接打高遠球，

第一次，教練幫他丟了個球，他啥也不知道對著球使勁一揮，球往上飛老高，但是沒過網，教練告訴他，別往上打，注意角度；

第二次，他調整了擊球方向，還是用力一揮，球衝著對面飛過去了，結果太大力，出界了，教練告訴他，力度小一點；

第三次，擊球方向控制的很好，但是他沒敢用力，輕輕一拍，球下網了，教練告訴他，力度別太小，比這次再大一丟丟就行了；

第四次，方向，力度控制的完美，乙個標準的高遠球。

以上就是學習/訓練的過程，方向，力度等是學習的引數，根據每次擊球結果與期望值的偏差，調整引數，訓練演算法的作用就是教練的作用，其中，力度增大或減小的幅度，可以理解為學習率。

我理解的機器學習，就是將現實生活中需要解決的問題數位化，公式化，只不過這裡的公式十分複雜，具有很多個可調引數，而這些引數具體設定為多少，靠人工推理是十分困難且低效的，而隨著數學的發展和計算機能力的進步，使得通過計算機自動調參（也就是訓練過程）變為了可能。

2樓：未知數

機器學習三大問題：

學什麼？

即訓練什麼！也就是引數訓練。

學的物件是什麼？

幾大領域，語音，影象，自然語言等。

怎麼學？

重點是最優化問題，對於模型而言就是就是依據損失函式效果來更新引數多次迭代。

3樓：念舒

訓練的是特定類別的正交的特徵集合和對特定物件的在特徵集合下的係數。

本來對於特定資料集，可能有無數條曲線可以擬合，所以獲得特徵集的聚類過程看似是毫無意義的，但是實際上因為客觀世界各種物理規則或者說邊界條件的存在，必然產生導致只有特定規律的一些曲線和對應的特徵集。

4樓：

「訓練」就是模型引數擬合的過程（比如使用最小二乘求解回歸模型中的引數），或者說是模型求解的過程（比如使用最大期望法求解概率模型中的引數）。

就我個人來說，不太喜歡「訓練」這個詞。這個詞暗示模型是「可訓練的」，給人一種模型很智慧型的錯覺。可是這裡的訓練，和其他的數學建模中的求解過程本質上沒什麼區別。

而且不止這個詞，機器學習中一些常見演算法名字的起法也是這個風格：k近鄰、嶺回歸、支援向量機、隨機森林等等。基本上，看名字會覺得有點神秘、有點莫名其妙、有點高大上，看了內容之後會覺得無話可說。

5樓：豆豆

機器學習中大概有如下步驟：

確定模型----訓練模型----使用模型。

模型簡單說可以理解為函式。

確定模型是說自己認為這些資料的特徵到結果（標籤）的對應關係符合什麼函式。例如認為：標籤=a*特徵

訓練模型就是用已有的資料，通過一些方法（最優化或者其他方法）確定函式的引數（上例子中的a），引數確定後的函式就是訓練的結果。（例如a確定為5，則標籤=5*特徵）

使用模型就是把新的資料代入函式求值（假如新資料特徵為3，則標籤=5*3=15）

6樓：聞達

瀉藥。其實很簡單。

首先你得知道模型是什麼，是什麼形式。模型最終輸出可以簡單理解為乙個函式，比如乙個多項式函式，裡面有係數從a1到an。

但我們怎麼得到這些係數（引數）呢？

就是通過模型的訓練，基於現有訓練資料學習到這些引數，最終使得我們的模型在訓練資料，測試資料上表現得好。

怎樣才算表現得好？這取決於我們怎麼定義我們模型的評估函式（另外乙個函式）。

所以你會發現機器學習的理論基礎都是數學，如果你想學習這個，可以像前面的答主說的那樣，認真學一下coursera上的斯坦福機器學習課程，現在都可以按自己的進度自己分配時間學了。當然，我還是會建議你花一段連續時間去學，不然忘得快：）

7樓：譚公升

訓練其實就是乙個優化過程，提出一種模型，已知一組資料，定義一種代價函式或者叫損失函式，然後用數學方法得到使得代價函式或損失函式最小的過程，也可以理解為優化引數

8樓：老貓

這個十分大概的來說的話，應該是有監督的演算法需要學習，而無監督的演算法是不需要學習的，個人認為通俗的來講，學習的過程就是確定演算法裡面涉及的變數的值的過程，十分粗略的回答，具體的可以看看公開課啦，machine learning啦之類的