机器学习的本质上是拟合吗？

先讲答案：是的。机器学习是在拟合一个函数，然后根据这个函数进行预测。不过这个描述肯定不是教科书上给的定义，但这样理解是没有错的。

下面我们来拆解下“机器学习”和“拟合”这两个概念，然后来看看为什么这样理解是正确的。

什么是机器学习？

这个问题其实不好回答，因为机器学习涵盖的内容太多了。

机器学习之父 Arthur Samuel 对机器学习的定义是：在没有明确设置的情况下，使计算机具有学习能力的研究领域。

国际机器学习大会的创始人之一 Tom Mitchell 对机器学习的定义是：计算机程序从经验 E 中学习，解决某一任务 T，进行某一性能度量 P，通过 P 测定在 T 上的表现因经验 E 而提高。

是不是不像人话？是的。学术办的定义越抽象越概括越生涩越难理解，但不错。

机器学习的本质特征，就是从数据中发现规则。这个规则可以用一个函数来表达。

用人话讲，机器学习是一种从数据生成规则、发现模型，来帮助我们预测、判断、分组和解决问题的技术。

机器和传统程序最大的不同就是，机器学习不是程序员直接编写函数的技术，是让机器通过“训练”得出函数。而我们做机器学习项目，就是要选定一个算法，然后用数据训练机器，找到一族函数中最适合的那一个，形成模型。

具体来看，机器学习分为四大类，分别是监督学习、无监督学习和半监督学习和强化学习。其中，监督学习是我们课程的一个重点。它能解决的两类问题：回归和分类。所以，我们在开始一个项目时，一定要首先明确我们要解决的问题属于哪种类型，这对模型的选择十分重要。

那么什么是拟合呢？

拟合就是用函数去贴近数据，找出背后的规律。

举个最简单的例子

你有一组数据：

身高 160 → 体重 50

身高 170 → 体重 60

身高 180 → 体重 70

把这些点画在坐标系里，它们大概排成一条直线。

拟合 = 找一条最贴近这些点的线。

这条线，就是你拟合出来的函数。

所以，机器学习 ≈ 机器自动从数据中找到一个函数。y = f(x) = ax + b，其中 a、b 为参数。

他说这就是最简单的模型，当给出样本如 x=4，y=5 和 x=2，y=-1 即可得到一组 a、b，那么就得到了这个函数，再输入新的 x 时，即可输出 y，完成预测。

这就是人工智能早期的思路符号主义，但这条路走到头了，很多问题，人类实在是想不出来，怎么写成一个明确的函数。从上帝视角看，就是人类还是太菜了。比如说一个简简单单的，识别一张图片是狗还是猫，对人类来说可能简单到爆炸，但是要让计算机运行一段程序来识别，那一下子就会变成一个史诗级难题，就连有语法规则和词典的翻译函数，尚且没有办法做到足够丝滑，那更别说复杂多变的人类智能了。

那么这种情况的函数可以怎么得到呢？通过训练（training）、学习（learning） 把这上万个参数找出来的过程，这个找的过程就是拟合，训练得到的这个函数，就是我们说的“模型”。

那它只是拟合吗？

从数学上看：所有监督学习本质都是函数拟合。

但从工程/AI 视角，有两点要补充：

• 它拟合的是高维、复杂、非凸、未知形式的函数
• 目标不只是 “拟合训练数据”，而是泛化—— 在没见过的数据上也准。

所以更完整的说法是：

机器学习 = 寻找一个泛化能力强的拟合函数