上一節我們主要向大家介紹我們身邊機器學習的例子，這一節我們將探討機器學習由什麼元素組成（機器學習的模型結構）。

首先我們先看個信用卡的例子。

假設我們想用機器學習來判斷“是否同意貸款給這個客戶？”，我們會將使用者的資訊資料輸給模型（比如年齡，性別，職業，工齡，是否為該市久住居民，欠款資訊，年薪，資產等），然後通過模型給出判斷（這些動作其實和人工判斷相差不大）。

而我們發現大多機器學習模型都是相似的步驟（資料->模型->技能），於是我們想能否標準化學習模型以便我們學習。

於是我們將輸入的一條具體資料化為x;而是否批准貸款設為y;理想中的目標函式化為f；我們模型得出的技能則設為g；而其中g屬於H。下面我們用詳細圖示給出解釋。

於是整理簡化後得出下圖的模型。

上面兩張圖詳細給出了關於f,g和H解釋，下面我們來看看全部整合後的模型長什麼樣。

因此我們也可以得出機器學習在實際應用中的定義：使用資料去計算出假設g，而其中我們想要的g和理想f接近。

    關注我們 | 獲取更多系統性學習文章|從零開始