机器学习是什么：从写规则到学规律

从"写规则"到"学规律"

传统编程是人写规则：垃圾邮件？检查是否包含"中奖"。但规则永远写不完、写不死。机器学习（ML）反过来：给机器大量"邮件 + 是否垃圾"的样本，让它自己学出判断规律。

传统编程：  规则 + 数据 → 答案
机器学习：  数据 + 答案 → 规则（模型）

三大学习范式

• 监督学习：有标准答案的样本训练（分类、回归）—— 本站"工单分类"实战就是它；
• 无监督学习：没有标签，自己发现结构（聚类、降维）—— 文档聚类常用；
• 强化学习：试错 + 奖励信号学策略 —— RLHF 让大模型对齐人类偏好。

核心术语速览

• 特征（Feature）：描述样本的属性输入；
• 模型（Model）：从特征到预测的映射函数；
• 训练（Training）：用数据调整模型参数的过程；
• 泛化（Generalization）：模型在没见过的数据上的表现 —— 这是唯一重要的指标。

和 LLM 应用的关系

大语言模型就是"超大规模的机器学习模型"。理解 ML 基础，你才能看懂：为什么提示词里给例子有效（few-shot 学习）、为什么 Embedding 能算语义相似度、RAG 为什么能减少幻觉。