微看书

机器学习是“让机器从数据中长本事”的技术（第4页）

- 准确率（Accuracy）：预测对的比例，比如100个邮件，90个判对了，准确率就是90%。但它在“数据不平衡”时不准，比如垃圾邮件只有5%，模型全判正常，准确率也有95%，但没用。

- 精确率（Precision）：预测为“正类”的里面，真正是正类的比例。比如预测了10个垃圾邮件，其中8个真的是，精确率就是80%。

- 召回率（Recall）：真正的正类里，被预测出来的比例。比如实际有10个垃圾邮件，模型找出了7个，召回率就是70%。

- F1分数：精确率和召回率的调和平均，综合看两者的表现。

一般会把数据分成“训练集”和“测试集”，用训练集学，用测试集考，这样才公平。

5. 模型部署：让机器“上岗干活”

模型通过考试后，就得放到实际场景中用了。比如把垃圾邮件识别模型部署到邮箱服务器，把推荐模型部署到短视频APP后台。这时候还得关注性能，比如模型响应快不快、占不占内存，要是用户刷视频时推荐半天不出来，体验就差了。

四、机器学习在哪些地方发光？—— 从日常到高精尖，应用无处不在

机器学习的应用早就渗透到咱们生活的方方面面了，咱们挑几个典型领域说说。

1. 日常生活：不知不觉就用上了

- 推荐系统：短视频平台给你推喜欢的视频，电商给你推可能买的商品，背后都是机器学习在分析你的行为数据，猜你喜欢啥。

- 语音助手：比如 Siri、小爱同学，通过机器学习识别你的语音指令，还能理解上下文。

- 人脸识别：手机解锁、支付验证、门禁系统，都是靠机器学习从人脸图像里提取特征，确认“你是你”。

2. 医疗健康：给医生“当助手，提效率”

- 疾病诊断：通过分析CT、MRI影像，机器学习模型能辅助医生发现早期肿瘤、骨折，准确率甚至比人类专家还高。比如肺癌筛查，模型能识别出毫米级的结节。

- 药物研发：传统研发一款新药要十几年，机器学习能分析海量分子数据，预测哪些分子可能有药效，大大缩短研发周期。

- 健康管理：智能手环监测你的心率、步数，机器学习能分析这些数据，预警潜在的健康风险，比如发现你心率异常，提醒你休息或就医。

3. 金融领域：“防 fraud、做预测”两把好手