原文：Machine Learning is Fun! Part 1 —— The world’s easiest introduction to Machine Learning

作者：Adam Geitgey

翻译：Kaiser(微博：王司图)

本文的多国语言版：日本語, Português, Türkçe, Français, 한국어, العَرَبِيَّة‎‎, Español (México), Español (España) 或 Polski。

你是否也曾听人们谈起机器学习但是只有一个朦胧的概念？你是否厌倦了在同事的高谈阔论中颓然欲睡？此诚求变之机。

本教程适合所有对机器学习感到好奇，却不知从何下手的读者。我想应该有很多人试着读了维基百科页面，然后愈发迷惘、沉沦，盼望着有人能够提供一个high-level的解释，那你找对地方了。

我们的目标是让所有人都能读懂——这就难免有些泛泛而谈。但是无妨，但凡本文能让一个人真正对机器学习感兴趣，那么目的就算达到了。

什么是机器学习？

机器学习的核心思想是创造一种普适的算法，它能从数据中挖掘出有趣的东西，而不需要针对某个问题去写代码。你需要做的只是把数据“投喂”给普适算法，然后它会在数据上建立自己的逻辑。

比如说有一种算法，叫分类算法，它可以把数据分到不同的组别当中。一个识别手写数字的分类算法，也可以用作判断垃圾邮件，而无需修改一行代码。算法是同一个算法，只是输入了不同的训练数据，便有了不同的分类逻辑。

“机器学习”是个筐，什么普适算法都往里装。

两种机器学习算法

机器学习主要分为两类——有监督学习和无监督学习，区别很简单，却很关键。

有监督学习

想想你是一家房产中介。你的业务正在增长，所以雇了一帮实习销售来助拳。那么问题来了——身经百战的你，一眼就看穿一栋房子价值几何，但是实习生可没有这样丰富的人生经验，所以摸不准行情。

为了辅助实习生（以便解放自己度个假），你决定做个小程序，基于面积、周边环境、相似房产成交价等等，来预估本地的房价。

所以你把3个月来本市的每一笔交易都拿小本本记了下来。对每处房产都整理了一大堆细节——房间数、面积、周边环境等等，当然最重要的是，最终成交价：

有了训练数据，我们就想搞个程序去预估其他的房价：

这就是有监督学习。你是知道每处房产到底卖多少的，换言之，问题的答案是已知的，逻辑是可以反推的。

为了开发小程序，把每处房产的训练数据导进机器学习算法里，算法试图摸索出其中的数学规律。

这有点像是去掉了符号的算术题答案：

根据上图，你能否推算出这些题目的原貌呢？显然，我们需要对这些数字“动点手脚”，以使等式成立。

在有监督学习中，我们做的实际上就是让电脑代替人来让等式成立。一旦你学会了解决某一类问题，那么这类问题里的任何子问题都就迎刃而解了！

无监督学习

回到最开始那个卖房地产的例子。如果我们不知道具体每处房产的价格可咋整？即使仅知道面积、位置等信息，你也依然可以搞点动静出来，这就叫无监督学习。

这就好比有人给你一张纸，上面写着一串数字，然后说“我也不知道啥意思，你可以猜猜这是什么套路——好运！”

这些数据我们能做什么呢？对于新手来讲，可以得到一个算法，从数据中自动辨识出细分的市场定位。可能你会发现，当地大学附近的购房者偏好多卧室的小房子，而郊区的购房者则倾向于大套三。了解到不同类型消费者的存在可以指导市场行为。

另一个可以做的就是自动识别出那些少有相似点的特异房产。可能这些特异房产是豪华公馆，那么就可以调配最好的销售人员专门负责这些大买卖。

后文主要专注于有监督学习，但并非因为无监督学习的作用小或者趣味少。实际上无监督学习的重要性与日俱增且发展迅速，因为不需要事先对正确答案对应的数据加标签。

注：还有很多其他种类的机器学习算法，不过建议从这些基础算法入手。

哎哟不错，但是真的有可能“学习”到真实的房价吗？

作为一个人类，你的大脑可以面对各种形势，并且在无明确指导的情况下自主学习如何应对。如果你卖了很久的房子，就会慢慢地对房价、对销售策略、对观察客户等问题产生一种“感觉”。强人工智能研究的目的就在于让计算机掌握这种能力。

但是当前的机器学习算法还没那么厉害——它们只能对很具体、有限的问题生效。或许这里的“学习”更应该定义为“基于样本数据得出解决具体问题的等式”。

不幸的是，“让机器基于样本数据得出解决具体问题的等式”不是个好名字，所以我们还是回到了“机器学习”。

当然如果你在50年后，强人工智能都普及了时候看到本文，会觉得全文都很“古典”。别看了，让你的机器人给你拿个包子吃，未来人类。

放码过来！

然，上面例子里的预测房价程序应该怎么写呢？思考一秒，然后接着看。

如果你对机器学习一无所知，可能会尝试依照预测房价的基本规律，写出如下代码：

[amalthea_exercise lang="python" executable="false" writable="false"]
[amalthea_sample_code]
def estimate_house_sales_price(num_of_bedrooms, sqft, neighborhood):
    price = 0

    # 这一片的均价是200美元一平米
    price_per_sqft = 200

    if neighborhood == "hipsterton":
        # 有的区更贵
        price_per_sqft = 400

    elif neighborhood == "skid row":
        # 有的区便宜
        price_per_sqft = 100

    # 根据基准价和面积预测实际价格
    price = price_per_sqft * sqft

    # 根据房间数调整预测
    if num_of_bedrooms == 0:
    
        # 公寓稍微便宜点
        price = price — 20000
     
    else:
        # 卧室多的房子贵
        price = price + (num_of_bedrooms * 1000)

    return price[/amalthea_sample_code]
[/amalthea_exercise]

如果顺着写上几个小时，或许也能得到一个能跑的程序。但势必存在隐患，而且无法应对价格变化。

如果计算机能自己发现如何应用这些方程，那岂不是好得多？只要能得到正确的数字，谁管具体方程是什么呢？

[amalthea_exercise lang="python" executable="false" writable="false"]
[amalthea_sample_code]
def estimate_house_sales_price(num_of_bedrooms, sqft, neighborhood):
    price = 贾维斯，帮我算一下

    return price
[/amalthea_sample_code]
[/amalthea_exercise]

这个问题可以想象成：价格是道炖菜，配方是卧室数量，面积和周边环境。如果你能算出每种成分对最终价格的影响是多少，或许那就是配方“搅合”最终价格的确切权重。

这可以使原程序（满是if/else）变得简单如下：

[amalthea_exercise lang="python" executable="false" writable="false"]
[amalthea_sample_code]
def estimate_house_sales_price(num_of_bedrooms, sqft, neighborhood):
    price = 0

    # 加少许配方1
    price += num_of_bedrooms * .841231951398213

    # 加大把配方2
    price += sqft * 1231.1231231

    # 适量的配方3
    price += neighborhood * 2.3242341421

    # 最后来点盐
    price += 201.23432095

    return price
[/amalthea_sample_code]
[/amalthea_exercise]

注意这些奇妙深刻的加粗数字——.841231951398213、 1231.1231231、2.3242341421和201.23432095，这就是我们的权重。只要我们能找到准确的权重，那就可以预测房价了。

一个比较粗暴的权重计算方法大致如下：

第一步：

把所有权重都设为1.0:

[amalthea_exercise lang="python" executable="false" writable="false"]
[amalthea_sample_code]
def estimate_house_sales_price(num_of_bedrooms, sqft, neighborhood):
    price = 0

    # 加少许配方1
    price += num_of_bedrooms * 1.0

    # 加大把配方2
    price += sqft * 1.0

    # 适量的配方3
    price += neighborhood * 1.0

    # 最后来点盐
    price += 1.0

    return price
[/amalthea_sample_code]
[/amalthea_exercise]

第2步：

把每个房产的参数代入公式，计算预测结果和实际价格的误差：

比如第一个房子实际卖了$250,000，但是你的方程却预测的是$178,000，但这一个房子就少了$72,000。

现在把每个房子对应误差的平方加起来，比方你有500单交易，那么误差的平方和就有$86,123,373，可谓谬以千里。再把平方和除以500得到平均每个房子的误差，这一平均误差值就是方程的代价（即最小二乘法，平方是为了防止误差正负相抵）。

如果我们能通过调整权重将代价降为零，那方程就完美了。这表示在所有例子中，方程都准确无误地基于输入数据猜中了房价。这就是我们的目标——尝试不同的权重，让代价尽量低。

第3步：

不断地重复第2步，尝试每一种可能的权重值组合。哪个组合能让代价最接近于0就选哪一组。找到那一组权重，就解决了问题！

脑洞时间

挺简单的对吧？回想一下刚才的所做，拿到一些数据，填进三个普适的、简单的步骤里，然后得到一个能猜房价的方程。Zillow（美国房价预测网站）面临着严重的威胁！

但是有这么几个激动人心的事实：

过去40年里，很多领域（如语言学/翻译学）的研究已经表明，“搅合数字炖菜”（作者自己打的比方）的普适性学习算法已经超越了那些，由真人尝试自己发现显式规律的人方法。机器学习的“暴力”方法最终击败了人类专家。
刚才得出的方程其实是很笨的。它并不知道“平方米”和“卧室”到底是什么，它只知道“搅拌”多少数字可以得到正确答案。
你大概并不知道为什么某一组权重就是好的，而只是写了一个自己都不明白的方程，但却证明是好用的。
假设我们不用“平方米”和”卧室数“这些参数，而是读入一个数列。比方说每个数字代表的是”从车顶上拍的照片的某一像素的亮度”，然后我们预测的结果也不是“房价”了，而是“方向盘转过的角度”。这就是一个人自动驾驶的风方程了？