机器学习的问题地图：标签、基线与完整流程

先确认是否需要机器学习

虚构积木体验站想解决三个问题：预计完成用时、判断某次任务是否可能未完成、把风格相近的任务归组。机器学习是让系统利用数据学习某种模式，而不是人工逐条规定全部规则。如果问题只有检查积木数量是否超过明确上限，一条规则就足够，未必需要训练模型。选择机器学习应有理由，例如关系较复杂、存在足够相关数据、希望对新样本预测。模型不是越复杂越先进，能满足需求且容易核对的简单方案通常更适合作为起点。

标签决定可以怎样学习

监督学习利用输入与对应目标结果学习映射。预测用时的标签是实际分钟数，输出连续数量，属于回归；判断是否完成的标签是完成或未完成，属于分类。无监督学习没有预先给定的目标标签，常见目的是发现结构，例如把任务按照数量、形状和步骤归组。没有标签不意味着没有判断标准，仍需检查分组是否稳定、是否对使用目的有帮助。强化学习则研究根据连续行动与反馈学习策略，不是每个含反馈的表格问题都应归为强化学习。

给任务写一张问题卡

以开始前预测用时为例，输入是积木数量、任务难度和此前练习次数，输出为预计分钟数，预测时点为任务开始前，评价对象是新虚构角色。标签采用完成任务的实际用时，因此未完成记录需另设处理规则，不能把停止时间混成完成时间。如果目标改成预测十分钟内能否完成，标签定义和输出类型也会改变。问题卡应写数据范围、允许输入、目标含义、使用时机和错误代价，它能阻止模型优化到一个与实际需求不同的问题上。

基线是判断改进的参照物

基线是容易实现、可解释的参考方案。回归可以始终预测训练集中位用时，分类可以始终预测多数类别，推荐可以列出近期常见任务。假设十条测试记录八条完成，始终预测完成就有百分之八十准确率。复杂模型达到同样分数，不能只凭看起来很高就宣布有效；还要看它是否更好识别未完成。基线要与模型使用同一划分和指标，才能比较。它不仅降低开发门槛，还能发现数据问题：如果事后字段让成绩异常完美，就应警惕泄漏。

训练到交付是一条闭环

典型流程是定义任务、审核数据、划分集合、建立基线、训练候选模型、在验证集比较、冻结方案、最终测试与误差分析。训练是学习参数，推理是用已经确定的规则对新输入产生结果，两者不可混淆。测试通过也不是部署完成，还要检查新输入是否同分布、字段是否可获得、失败时如何复核。本课程用虚构小数据演练设计，不承诺现实准确率。学会完整流程，比只记住算法名称更能帮助你判断一份模型报告是否可信。