机器学习是什么？通过邮件分类理解从样本学习规律的方法
通过邮件分类解释机器学习的训练与预测，介绍标签和独立测试的作用，并说明数据变化、过拟合及简单规则为何仍需要保留为参照。
先理解这个概念
机器学习是通过数据训练模型，让模型学习可用于预测或生成的关系。开发者不必把每一种情况都逐条写成判断规则，但仍要决定任务、准备数据并检查结果。它是人工智能的一部分，深度学习又是机器学习中的一类方法。模型学到的可能是真正有用的规律，也可能是样本中的偏差，因此必须用未参加训练的数据检验。
训练数据需要对应清楚的任务
假设要把收到的邮件分成退款请求和其他邮件，监督学习通常需要带正确标签的样本。模型据此学习文字与类别之间的关系，再处理新的邮件。若退款的含义没有统一，标注者意见互相冲突，更多样本也可能继续放大混乱。
任务也可以没有预先给定的类别，例如把相似文本分组，帮助人工发现主题。无监督学习不意味着结果不需要检查，而是训练时没有逐条给出同样形式的答案标签。分出来的一组是否适合业务使用，仍需人工解释。
使用模型处理新输入称为推理
训练调整模型参数，推理则使用已有参数处理新输入。这两个阶段需要的资源和检查不同。给模型增加几条当前会话的说明，通常属于改变输入，不能直接视为已经完成一次模型训练，也不能保证下次会话自动保留。
模型在训练样本上表现很好，却错误处理新的说法，可能没有学到可以推广的规律。测试时应排除近似重复内容，不能把同一封邮件换个文件名后同时放进训练集和测试集。否则重复资料可能掩盖真实错误。
数据变了就要重新检查结果
上线后用户用词变化，原来有效的分类规律可能不再适用。可以定期抽查真实输入，记录误分的具体类别，再判断是需要更新标签说明还是补充训练样本。不能仅凭接口仍然返回结果，就认定模型质量没有下降。
对于范围很窄、规则明确的任务，可以先与简单规则比较。机器学习需要维护数据和评测，并非所有自动化都应该使用模型。选择的依据应是关键错误是否减少，以及实际任务是否更容易完成，而不是方法名称听起来更先进。
核对来源
以下资料用于核对概念和方法。文中的示例与测试范围分别注明，实际使用时请核对所用工具的版本。