2.2　理解機器學習的工作流程

如前所述，機器學習就是通過建立數學模型來理解數據。當我們賦予機器學習模型調整其內部參數的能力時，學習就進入了這個過程；我們可以調整這些參數，以使模型更好地解釋數據。在某種意義上，這可以理解為模型從數據中學習。一旦模型掌握了足夠多的知識——不管這意味著什么——我們可以要求模型解釋新觀測到的數據。

一個典型的分類過程，如圖2-1所示。

讓我們一步一步分解吧！

首先，需要注意的是，總是把機器學習問題分成（至少）兩個不同的階段：

• 訓練階段：在這個階段，我們的目標是在一組數據（我們稱為訓練數據集）上訓練一個機器學習模型。
• 測試階段：在這個階段，我們在一組新的、從未見過的數據上（我們稱為測試數據集）評估學習到（或最終確定）的機器學習模型。

將數據分解成訓練集和測試集的重要性不容小覷。我們總是在一個獨立的測試集上評估我們的模型，因為我們感興趣的是我們的模型對新數據的泛化能力。最后，無論是機器學習還是人類學習——這難道不是學習的全部意義嗎？回憶一下你在學校的時候，那時你還是個學生：在家庭作業中解決的問題，在期末考試中幾乎不會以完全相同的形式出現。這同樣也應該適用于機器學習模型；我們對模型記憶一組數據點的能力不太感興趣（比如一道家庭作業題），但是我們想知道模型如何利用所學的知識來解決新問題（比如在期末考試中出現的試題）并解釋新的數據點。

接下來要注意的是：機器學習實際上是關于數據的。數據以原始形式輸入前面描述的工作流程圖（不管這意味著什么）并在訓練階段和測試階段使用。數據可以是從圖像和電影到文本文檔和音頻文件的任何形式。因此，在數據的原始形式中，數據可能由像素、字母、單詞，甚至更糟糕的純比特構成。顯而易見，使用這種原始形式的數據可能不太方便。我們必須找到對數據進行預處理的方法，以便把數據轉換成易于解析或易于使用的形式。

數據預處理分為兩個階段：

• 特征選取：這個階段識別數據中的重要屬性（或特征）。圖像的特征可能位于邊緣、角點，或脊的位置。你可能對OpenCV提供的一些更高級的特征描述符——例如，快速魯棒性特征（Speeded Up Robust Features，SURF）；或者方向梯度直方圖（Histogram of Oriented Gradients，HOG）——已經很熟悉了。盡管這些特征可以應用于所有圖像，但是對于特定的任務來說，這些特征可能并不是那么重要（或者這些特征工作得并不是那么好）。例如，如果我們的任務是區分清水和臟水，那么最重要的特征可能是水的顏色，使用SURF或者HOG特征對我們的幫助可能不是很大。
• 特征提取：這個階段實際上是將原始數據變換到所期望的特征空間的過程。Harris運算符就是一個例子，它允許我們提取一張圖像中的角點（即一個選中的特征）。

一個更高級的主題是創造有用信息特征的過程，即特征工程。畢竟，在人們可以選擇主流特征之前，必須先有人創造出這些特征。通常，對于算法的成功，特征工程比算法本身的選擇更重要。我們將在第4章中全面地討論特征工程。

最后需要說明的一點是：在監督學習中，每個數據點都必須有一個標簽。標簽識別一個數據點屬于某一類事物（如貓或狗），或者具有某個特定的值（如房價）。最終，監督學習系統的目標是預測測試集中所有數據點的標簽（如圖2-1所示）。我們通過使用帶標簽的數據在訓練數據中學習規則，然后在測試集中測試性能來實現這一任務。

因此，要構建一個有效的機器學習系統，我們必須先學習如何加載、存儲和操作數據。如何使用OpenCV和Python來實現這個目標呢？