想象一下，你剛剛從一個臨床試驗中得到了一個數(shù)據(jù)集（為了幫你更好地理解，筆者整理了一些數(shù)據(jù)供你查看），假設(shè)這些數(shù)據(jù)反映了治療日（輸入“特征”）與某個病人在某種奇跡療法60天的療程中應(yīng)接受的正確劑量（毫克）（輸出“預(yù)測”）之間的關(guān)系。

（1，28） （2，17） （3，92） （4，41） （5，9） （6，87） （7，54） （8，3） （9，78） （10，67） （11，1） （12，67） （13，78） （14，3） （15，55） （16，86） （17，8） （18，42） （19，92） （20，17） （21，29） （22，94）（23，28） （24，18） （25，93） （26，40） （27，9） （28，87） （29，53） （30，3） （31，79）（32，66） （33，1） （34，68） （35，77） （36，3） （37，56） （38，86） （39，8） （40，43） （41，92） （42，16） （43，30） （44，94）（45，27） （46，19） （47，93） （48，39） （49，10） （50，88） （51，53） （52，4） （53，80） （54，65） （55，1） （56，69） （57，77） （58，3） （59，57） （60，86） 。..

你正在治療一個病人，今天是第二天。你會建議用什么劑量？

答案是“17mg”，這是一個很簡單的問題。那第四天呢？沒錯，是41mg。現(xiàn)在，你將如何開發(fā)一個軟件以輸出1-5天的正確劑量？你會嘗試使用機器學(xué)習(xí)嗎？

換句話說，可以嘗試在這些數(shù)據(jù)中找到模型并將其轉(zhuǎn)換為從輸入到輸出的方法（“模型”）嗎？答案是否定的?？梢宰屲浖耆凑漳愕姆绞饺プ觯涸诒碇胁檎掖鸢浮＿@樣一來，將獲得60天內(nèi)所有時間100％正確的答案，不需要模型，也不需要機器學(xué)習(xí)。

什么樣的情況需要機器學(xué)習(xí)呢？

現(xiàn)在，假設(shè)今天是第61天，劑量的正確答案該是多少？

我們從未見過第61天的數(shù)據(jù)，所以無法在此處查找答案。機器學(xué)習(xí)可以幫上忙嗎？要看情況。如果沒有將輸入與輸出連接起來的模型，那就算了。在那種情況下，沒有什么能幫上忙。

如果那是你認為的機器學(xué)習(xí)，趕緊打住吧，魔法是不存在的。

但是，如果有這樣一個真實存在的模型，那么可以嘗試將其應(yīng)用到第61天，預(yù)測或猜測正確的答案，也許機器學(xué)習(xí)可以幫上忙。

問題在于我們的數(shù)據(jù)還不足以形成這種模型。如果這樣去構(gòu)建模型，那就太草率了。60天之后，模型結(jié)果也必須是接近的。如果第61天的情況完全不同，無法證明模型的有效性怎么辦呢？如果第61天所有患者都已完全治愈，或全部死亡，或者正在服用與之相克的藥物，那么這種模型會對你不利。

不穩(wěn)定宇宙

如果你的數(shù)據(jù)對于探索未來沒有幫助，或許是因為疫情改變了所有的規(guī)則，過往的信息有多好就都不重要了。如果生活在宇宙的一個不穩(wěn)定的角落，那將很難證實已知的遍歷性和平穩(wěn)性假設(shè)，這些假設(shè)大致可以理解為“規(guī)則沒有改變?！?/p>

圖源：unsplash

這不是在說外行眼中的那種不穩(wěn)定性。當(dāng)規(guī)則是時間的預(yù)測函數(shù)時，處理平緩的不穩(wěn)定性就是時間序列分析領(lǐng)域的內(nèi)容。

由于系統(tǒng)的規(guī)則根本上是不同的，無法從一個階段預(yù)測到下一個階段，所以談到這種劇烈的不穩(wěn)定性時，我們束手無策。如果過往的數(shù)據(jù)突然無法用于預(yù)測不穩(wěn)定的未來，就不能用過去直觀地預(yù)測未來。

但如果有一種模型，并且這種模型適用于新情況，那么恭喜你，可以開始了?？梢栽谂f數(shù)據(jù)中尋找模型，根據(jù)它制定一個方法，然后使用它成功獲得第61天及以后的數(shù)據(jù)！找到模型并投入使用就是機器學(xué)習(xí)的全部內(nèi)容。

何時使用機器學(xué)習(xí)

在應(yīng)用機器學(xué)習(xí)和人工智能時，無需重新思考記憶中見過的示例，只需查找就可以了！人工智能能做的不僅僅是重復(fù)舊的答案，它能在新例子上取得成功。

你要做的是構(gòu)建能夠成功總結(jié)概括的解決方案，要么中止項目。換句話說，如果解決方案無法處理從未見過的新案例，那么就說明它不好。并不是說那些打破穩(wěn)定宇宙所有規(guī)則的全新案例，而是與以往主題稍有偏差的例子。

圖源：unsplash

我們不像鸚鵡學(xué)舌，而是要在這里概括新情況，這就是機器學(xué)習(xí)的力量和美妙之處。如果你未看到61天前輸入值的精確組合，那么正確的輸出值是什么？也許可以將舊的模型轉(zhuǎn)變成可以做出合理猜測的方案。

例如，你利用成千上萬張動物照片訓(xùn)練一個識別貓/非貓的分類器，你可以要求其辨別一張全新的照片中是否包含貓，但是讓它告訴你一幅畫是否是立體主義風(fēng)格的顯然太難為人了。

換種不老套介紹，機器學(xué)習(xí)是一種自動化重復(fù)決策的途徑，涉及從算法上找到數(shù)據(jù)模型并使用這些模型來制定能夠正確處理全新數(shù)據(jù)的方案。

機器學(xué)習(xí)并非無所不能，但也別把它想的太簡單了，找到合適的時機再用它，你會得到滿意的效果。