机器学习的一般流程

这一节包含的知识点

比「节」更细的一层：具体到能对上一道题的步骤。

• 数据准备与划分先收集并清洗数据、提取合适的特征，再把样本划分为训练集和测试集，用测试集衡量模型在未见数据上的表现。
• 模型训练与评估用训练数据调整模型参数使其拟合数据中的规律，再用准确率、精确率、召回率等指标在测试集上评价模型优劣。
• 机器学习应用的局限模型只能反映训练数据中出现的统计规律，数据有偏或应用场景变化时容易失效，而且往往难以解释作出判断的理由。
• 特征与标签的作用特征是模型看得到的输入，标签是希望模型学会预测的答案。
• 过拟合与欠拟合模型太复杂会记住训练数据的噪声，太简单又学不到规律，都需要调整。

先修：学它之前要先会

• 人工智能与机器学习初步

完整前置链：一路要先会

不只是直接先修 —— 把先修的先修也追到底，顺序就是该学的顺序（含跨学科）。

1. 1信息系统的组成→
2. 2数据库与 SQL→
3. 3人工智能与机器学习初步

后继：学会它之后可以往哪走

坐标系里还没有概念把这条当先修。

学习「机器学习的一般流程」

这个知识点还没有内容（还没有教材或出版物接进来）。现在能做的：看清它在坐标系里的位置 —— 先修是什么、学完之后通向哪里，然后把「我了解了」记下来。

自述不等于掌握：它只是「我知道这一条讲什么」，不会计入学习单元完成数。学习记录存在这台设备上。

还没有任何内容覆盖这条概念。要让它长出来，需要导入并发布一份讲到它的材料 —— Publishing 会在正文里找候选（带原句作证据），由人确认后挂到这条上。

还没有任何学习目标、测评或任务标注到这条知识点上。学习链只列**真的标注过**的条目 —— 没有就是没有，不按模板补一个出来。