title: 机器学习基础 tags:

topic
machine-learning
joplin type: topic source_type: reconstructed created: 2026-04-22 updated: 2026-04-27 aliases:
入门机器学习 ---

机器学习基础

[!abstract] 本主题重构自 raw/Joplin/机器学习/1、入门机器学习/，重点不是只记算法名字，而是先建立“数据、特征、模型、评估、应用”这一条完整主线。

这门主题在解决什么问题

机器学习到底在解决什么类型的问题。
数据集、特征、目标值、训练集、测试集这些基础对象分别扮演什么角色。
特征工程为什么经常比单纯换模型更重要。
分类、回归、聚类这些算法体系如何按任务类型来理解。

推荐复习顺序

[[机器学习概述]]
[[机器学习特征工程]]
[[机器学习分类算法体系]]
[[机器学习回归与聚类]]

模块地图

[[机器学习概述]]：人工智能、机器学习、深度学习的关系，监督学习与无监督学习，机器学习开发流程。
[[机器学习特征工程]]：数据集获取、训练测试划分、特征提取、预处理与降维。
[[机器学习分类算法体系]]：sklearn 转换器与估计器、KNN、朴素贝叶斯、交叉验证与网格搜索。
[[机器学习回归与聚类]]：线性回归、岭回归、逻辑回归、聚类、模型拟合问题。

关键概念

[[机器学习]]
[[特征工程]]
[[监督学习]]
[[无监督学习]]
[[训练集与测试集]]
[[分类问题]]
[[回归问题]]
[[聚类]]
[[交叉验证]]
[[过拟合与欠拟合]]

常见误区

把机器学习理解成“套一个算法就结束”，忽略数据表示和问题定义。
只背监督学习、无监督学习名词，不去区分分类、回归、聚类的任务目标。
把特征工程当成前处理琐事，而不是模型效果的关键来源。
只看准确率，不关注数据划分、泛化能力和调参方式。

来源范围

[[raw/Joplin/机器学习/1、入门机器学习/1、机器学习概述.md]]
[[raw/Joplin/机器学习/1、入门机器学习/2、特征工程.md]]
[[raw/Joplin/机器学习/1、入门机器学习/3、分类算法体系.md]]
[[raw/Joplin/机器学习/1、入门机器学习/4、回归和聚类算法体系.md]]
[[raw/Joplin/机器学习/1、入门机器学习/附件：思维导图.md]]
[[raw/Documents/机器学习 (周志华-(书签带目录)) (Z-Library)/机器学习 (周志华-(书签带目录)) (Z-Library).md]]
[[raw/Documents/机器学习实战 = Machine Learning in Action (Peter Harrington) (Z-Library)/机器学习实战 = Machine Learning in Action (Peter Harrington) (Z-Library).md]]
[[raw/Documents/零基础学机器学习/零基础学机器学习.md]]
[[source-d2l-zh-pytorch]]

相关入口

[[Documents资料库]]
[[source-d2l-zh-pytorch]]
[[joplin-overview]]
[[joplin-rebuild-schema]]