关键术语地图
用一张机器学习术语地图分清监督学习、无监督学习、强化学习、训练数据、验证数据、泛化、过拟合、欠拟合和正则化。
关键术语地图：机器学习基础
机器学习最容易被讲成一堆算法名：线性回归、决策树、神经网络、强化学习……但普通读者更需要先搞清楚三个问题：模型从什么数据学、用什么反馈学习、学完以后能不能在新情况里可靠工作。
这一页把机器学习章节里反复出现的词放到同一张地图里。读完后再回到 机器学习到底在学什么、三种学习范式、泛化能力 和 过拟合，会少很多“名词认识，逻辑不通”的卡壳。
先把核心词摆正
| 术语 | 先记住的意思 | 主要回答的问题 | 常见误区 |
|---|---|---|---|
| Supervised Learning | 用带标签样本学习输入到输出的映射。 | 有标准答案时，模型怎样学会分类、预测或打分？ | 不是“有人一直监督模型”，而是训练数据里有答案。 |
| Unsupervised Learning | 在没有人工答案的样本中寻找结构、相似性或压缩表示。 | 数据自己能不能暴露分组、异常或潜在模式？ | 不等于完全没有目标；仍然需要设计任务和评估方式。 |
| Reinforcement Learning | 让智能体通过行动、反馈和奖励学习策略。 | 当答案不是一步给出时，系统怎样学会连续决策？ | 奖励函数写歪时，模型会钻规则空子。 |
| Training Data | 用来调整模型参数的数据。 | 模型到底从哪里学到规律？ | 数据量大不等于数据代表真实世界。 |
| Validation Data | 训练过程中用来检查模型是否学偏的数据。 | 模型在没直接训练过的样本上表现怎样？ | 反复调到验证集最好，也可能把验证集“用脏”。 |
| Generalization ability | 模型把学到的规律迁移到新样本的能力。 | 这个模型离开训练样本后还能不能用？ | 训练分数高，不代表真实任务稳定。 |
| Overfitting | 模型记住训练数据细节，反而在新数据上变差。 | 为什么训练集很好、上线后很烂？ | 不是模型越复杂越好；复杂度要和数据、任务匹配。 |
| Underfitting | 模型太简单或训练不足，连训练数据规律都没学好。 | 为什么模型在哪都表现差？ | 不是所有差表现都靠加数据解决，有时是模型或特征不够。 |
| Regularization | 用约束、惩罚或训练技巧减少过拟合。 | 怎样让模型少背答案、多学规律？ | 正则化不是万能补丁，过强也会造成欠拟合。 |
三条线索读机器学习
1. 学习范式：先问“反馈从哪里来”
监督学习适合标准答案明确的任务，比如垃圾邮件识别、房价预测、医学影像分类；无监督学习适合先探索数据结构，比如用户分群、异常检测、向量聚类；强化学习适合连续决策，比如游戏、机器人控制、推荐策略优化。
别把三者当成等级高低。它们只是反馈方式不同：监督学习靠标签，无监督学习靠数据结构，强化学习靠行动后的奖励。选错范式，后面换再复杂的模型也救不回来。
2. 数据切分：训练集不是验收现场
Training Data 是模型学习的课本，Validation Data 是训练时的阶段测验，最终测试或真实上线数据才更接近验收现场。一个严肃项目会把这些角色分开，避免模型只是记住题库。
普通读者判断一个机器学习案例时，可以直接问四句：数据来自哪里？标签怎么来的？验证数据和真实使用场景像不像？有没有按时间、地区、人群或设备差异做额外检查？这些问题比“用了什么炫酷算法”更重要。
3. 泛化：机器学习的关键不是背题
Generalization ability 是机器学习真正要买到的能力。模型如果只能在训练样本上漂亮，实际就是高成本记忆器；如果能在新样本、轻微分布变化和边界案例里保持合理表现，才有部署价值。
Overfitting、Underfitting 和 Regularization 是围绕泛化的一组诊断词：过拟合说明模型太会背细节，欠拟合说明模型连主规律都没抓住，正则化则是在两者之间给模型加一点“别太任性”的约束。
一张阅读路径
- 第一次读机器学习：从 机器学习到底在学什么 开始，先理解“从数据学规律”这件事。
- 想分清任务类型：读 三种学习范式，把监督、无监督、强化学习放到真实任务里看。
- 想知道为什么模型上线会翻车：读 泛化能力 和 过拟合。
- 想接上深度学习：读 深度学习为什么成了主线，再回看 Neural Network 与 Deep Learning。
- 想继续看本站卡片：下面列出已归入机器学习基础的术语。
机器学习基础共 17 个词
理解模型如何从数据中学习，以及常见训练问题。
Data Augmentation
数据增强技术通过改造现有样本增加训练数据多样性的方法。
Deep Learning
深度学习技术使用多层神经网络从数据中学习表示的机器学习分支。
End-to-End Learning
端到端学习技术直接从原始输入学习到目标输出的机器学习方式。
Few-Shot
小样本学习技术用少量示例帮助模型完成新任务的学习或提示方式。
Fitting
拟合技术模型学习数据规律并尽量匹配真实输出的过程。
Generalization ability
泛化能力技术模型把训练中学到的规律带到新数据、新任务或新场景里仍能有效工作的能力。
Machine Learning
机器学习技术让模型从数据中学习规律并用于预测或决策的 AI 分支。
Overfitting
过拟合技术模型过度记住训练数据，导致新数据表现变差的问题。
Regularization
正则化技术通过约束模型复杂度来降低过拟合风险的方法。
Reinforcement Learning
强化学习技术让智能体通过行动和奖励学习策略的机器学习方法。
Supervised Learning
监督学习技术用带标签的数据训练模型预测正确输出的机器学习方法。
Training Data
训练数据技术用于训练模型、让模型学习规律的数据集合。
Transfer Learning
迁移学习技术把已有任务学到的能力迁移到新任务上的方法。
Underfitting
欠拟合技术模型太简单或训练不足，无法学到数据中的基本规律。
Unsupervised Learning
无监督学习技术在没有人工标签的情况下从数据中发现结构或模式的方法。
Validation Data
验证集技术用于调参和评估模型泛化表现的独立数据子集。
Zero-Shot
零样本学习技术没有看到特定任务样本时，仍尝试完成新任务的能力或方法。