第2章 AI技术基础（上）

第2章 AI技术基础（上）：机器学习核心概念与常见算法

说实话，很多产品经理一听到「机器学习」四个字就头大。我当年刚转行做AI产品时也一样，觉得这玩意儿是算法工程师的专属领域。但做了几个项目后我发现——不懂技术细节没关系，但核心概念必须吃透。否则你跟研发开会，人家说「这个需求用监督学习做不了」，你连为什么做不了都听不懂，那就尴尬了。

这一章，我就带你捋清楚机器学习的三大流派，以及几个最常用的算法。不扯公式，不讲推导，咱们就聊「这玩意儿是干嘛的、能解决什么问题、我作为PM该怎么用」。

2.1 机器学习的三大范式

机器学习说白了，就是让计算机从数据里找规律。根据数据有没有「标准答案」，分成三种玩法。

2.1.1 监督学习

这是最常用的一种。我给你一堆数据，每个数据都标好了正确答案。你学完之后，看到新数据能自己猜答案。

举个栗子：你给模型看了1000张猫和狗的照片，每张都标好了「这是猫」「这是狗」。学完之后，它看到一张新照片，能判断是猫还是狗。

我在项目中遇到过最典型的场景是用户流失预测。我们把过去一年用户的行为数据整理好，每条数据都标上「这个用户后来流失了」或「没流失」。模型学完之后，就能预测新用户未来会不会跑路。

  PM必记：监督学习需要大量标注数据。数据标注的成本，往往比模型训练本身还高。做项目预算时，别忘了这笔钱。

2.1.2 无监督学习

这个就有点意思了——数据没有标签，让模型自己找规律。说白了就是「你给一堆乱七八糟的东西，让它自己分类」。

举个栗子：你扔给模型1000篇新闻文章，不告诉它任何分类。它自己读完，发现有些文章经常出现「苹果」「华为」「5G」，有些经常出现「世界杯」「梅西」「NBA」。于是它自动把文章分成了「科技类」和「体育类」。

我做过一个电商推荐项目，就是用无监督学习做用户分群。把用户的购买记录、浏览时长、点击偏好扔进去，模型自动把用户分成了「价格敏感型」「品质追求型」「冲动消费型」等几类。你想想看，这比人工打标签省了多少事？

我的经验：无监督学习适合做探索性分析。当你不知道数据里有什么规律时，先跑一遍无监督学习，往往能发现意想不到的洞察。

2.1.3 强化学习

这个稍微难理解一点。它没有现成的数据，而是让模型自己去「试错」。做对了给奖励，做错了给惩罚。模型慢慢学会「怎么做才能拿到最多奖励」。

最经典的例子：AlphaGo下围棋。它一开始啥也不会，就是乱下。赢了给正分，输了给负分。下了几百万盘之后，它学会了「这么走能赢」。

嗯，这里要注意：强化学习在互联网产品里用得不多，但在游戏AI、机器人控制、自动驾驶里是主流。如果你做的是这些方向的产品，那必须搞懂。

避坑指南：我曾经有个同事，非要用强化学习做新闻推荐。折腾了三个月，效果还不如简单的协同过滤。为什么？因为强化学习需要大量「试错」，而新闻推荐里给用户推错内容，用户直接就走了，根本没机会「试错」。选技术方案时，别为了炫技选不合适的。

2.2 常见算法简介

算法是机器学习的「武器」。不同武器打不同怪，选对了事半功倍。

2.2.1 线性回归

这是最简单的算法，没有之一。它解决的是「预测一个数值」的问题。

场景举例：预测明天的气温、预测下个月的销售额、预测用户会在这个页面停留多少秒。

线性回归的原理，说白了就是「找一条直线，让所有数据点离这条直线最近」。比如你发现「广告投放金额越高，销售额越高」，那线性回归就能帮你算出「每多花1块钱广告费，大概能多卖多少钱」。

我习惯用线性回归做快速验证。项目初期，数据量不大、需求不明确时，先跑个线性回归看看趋势。如果连线性回归都跑不出明显规律，那大概率是数据有问题，或者这个需求本身就不成立。

  PM视角：线性回归的优点是「可解释性强」。你能清楚地告诉老板：「广告费每增加1万，销售额预计增加3.2万」。这在汇报时特别好用。

2.2.2 决策树

决策树这个名字很形象——它就像一棵倒着长的树，每个分叉点都是一个「判断条件」。一路问下去，最后到达叶子节点，就是答案。

举个栗子：判断一个贷款申请是否通过。

第一个问题：月收入是否超过1万？
如果是，问第二个问题：征信记录是否良好？
如果征信好，通过；如果征信不好，再问第三个问题：是否有抵押物？
……

你看，这就是一个典型的决策树。每个节点都是一个「是/否」的问题，最终走到叶子节点得到结论。

我在项目中遇到过用决策树做用户画像的场景。我们把用户的年龄、地域、消费习惯、浏览行为作为输入，让决策树自动学习「什么样的用户会购买我们的会员」。结果发现，决策树给出的规则特别直观——「年龄25-35岁、一线城市、月消费超过500元」的用户转化率最高。这个结论直接指导了我们的投放策略。

我的建议：决策树特别适合「需要向非技术人员解释模型逻辑」的场景。你画一棵树出来，老板、运营、销售都能看懂。不像神经网络，解释半天人家还是一脸懵。

2.2.3 支持向量机（SVM）

SVM这个名字听起来高大上，其实核心思想很简单：在两类数据之间画一条「分界线」，让这条线离两边的数据都尽可能远。

想象一下：你在纸上画了一堆红点和蓝点。SVM要做的，就是找一条线，把红点和蓝点分开。而且这条线要「居中」，离两边的点都远一点，这样以后来了新点，也不容易分错。

SVM最擅长处理「二分类问题」——就是只有两个选项的问题。比如「这个邮件是垃圾邮件还是正常邮件」「这个用户会流失还是不会流失」「这个图片里有猫还是没有猫」。

我记得有个项目是做文本分类，要把用户反馈分成「投诉」「咨询」「建议」三类。当时试了好几个算法，效果都不理想。后来用SVM配合一些文本特征工程，准确率直接提升了15%。

避坑指南：我曾经在一个项目里盲目用SVM处理百万级数据，结果模型训练了整整两天还没跑完。后来换成线性回归，十分钟就出结果了，效果还差不多。SVM在小样本、高维度的场景下表现好，但数据量大了之后，训练速度会急剧下降。选算法时一定要考虑数据规模。

2.3 如何选择算法？

很多PM会问：「这么多算法，我该怎么选？」我的经验是，从三个维度考虑：

问题类型	推荐算法	原因
预测数值（如销售额）	线性回归	简单、可解释、快速
二分类（如是/否）	SVM 或逻辑回归	准确率高、边界清晰
多分类（如A/B/C）	决策树或随机森林	可解释、能处理多类别
无标签数据（如用户分群）	K-Means 聚类	自动发现规律
序列决策（如下棋）	强化学习	适合试错场景

说白了，没有「最好的算法」，只有「最合适的算法」。我个人的习惯是：先跑最简单的，看效果。如果线性回归能解决，就别上SVM。如果决策树能搞定，就别上神经网络。简单意味着稳定、可解释、好维护。

  最后说一句：作为AI产品经理，你不需要会手写算法代码。但你要能跟算法工程师聊到一块去，能判断「这个需求技术上能不能做」「大概需要多少数据」「周期多长」。这一章的内容，就是帮你建立这个对话基础。

📚 课程目录