算法这个词，被你想复杂了
你大概听过太多次「算法」这个词，配着一堆吓人的符号、希腊字母、还有「深度」「神经」这类唬人的形容词。于是你默认：这是数学家的地盘，跟一个不懂代码的人没关系。
这一章我要拆掉这个误会。我不会推一个公式，但我保证：读完之后，你能拿常识判断别人给你的模型「靠不靠谱」。这比会推公式有用得多——公司里会推公式的人不缺，缺的是能一眼看出「这轮子不圆」的人。
先给你一个贯穿全章的类比，记住它，后面所有概念都挂在这上面：
我在纸上点了一堆点，不告诉你它们背后的规律。你的任务是描一条线，尽量穿过这些点。以后我随便说一个横坐标，你看着你描的线，就能报出纵坐标。
整个机器学习，本质上就是这件事。剩下的全是细节。
所谓模型，就是从数据里找一个函数
算法 / 模型：说白了，就是一个从「输入」到「输出」的转换规则。你给它一个输入，它吐给你一个输出。判断螺丝松没松：输入是这颗螺丝的拧紧扭矩，输出是「松」或「紧」。这个「扭矩 → 松/紧」的规则，就是模型。
关键在于:这个规则不是人写死的，是机器从例子里自己找出来的。
传统写代码，是你把规则想清楚，一条条 if 敲进去：扭矩小于 8 就是松。可现实里规律没这么干脆——同一颗螺丝，材质、温度、垫片厚度都会让那个界限飘。你要写的 if 越来越多，最后自己都绕晕。
机器学习换了个思路：你别去想规则了，你只管把大量「输入配上正确答案」的例子喂给它，让它自己去凑那条规律。这就是开头那个描线的游戏——你不告诉它函数，你只给它一堆点。
你在中学学过函数：y = 2x + 1，给个 x 算个 y。机器学习就是反过来——不给你公式，只给你一堆 (x, y) 的对子，让机器把那个公式猜出来。所以你以后听到「模型」，脑子里就换成「一个被猜出来的函数」，八九不离十。
训练：反复拧旋钮，直到对准
训练：就是机器「凑那条线」的过程。它先瞎画一条，看看离你给的点差多远，然后往差得少的方向挪一点，再看，再挪……如此反复成千上万次，直到那条线尽量贴合所有点。
想象你在拧老式收音机的旋钮找电台：一开始全是沙沙的杂音，你慢慢拧，声音越来越清楚，直到最清楚那一刻你停手。训练就是这样，只不过要拧的旋钮成千上万个，机器自己拧，你不用管。
你作为 PM 要知道的只有一件事：训练需要「带正确答案」的例子。想让模型认得出缺陷，你得先有一堆图片，每张都标好「这是好的」「这是坏的」。这些标注从哪来、准不准、够不够——这才是你该操心的，不是旋钮怎么拧。第 9、10 章会反复回到这件事上。
特征：你喂给它的是不是「有用的线索」
特征：你拿来判断的那些线索。判断螺丝松没松，你可以看它的图像像素，也可以看拧紧时的扭矩曲线，还可以听拧的时候有没有异响。每一样都是一个特征。
这里有个反直觉、但极其重要的结论：
选对线索，比换一个更高级的模型有用得多。
打个比方。你想判断西瓜甜不甜。如果给你的线索是「西瓜的重量」，那你再聪明也判断不准——重量跟甜度关系不大。可如果给你的线索是「敲一下的声音」和「藤蔓的干枯程度」，一个普通人都能判断个八九不离十。线索本身没带信息，再牛的模型也变不出信息来。
所以当有人跟你说「模型效果不好，我们换个更深的网络试试」，你要会追问一句：我们喂给它的线索，本身够不够判断这件事？ 很多时候，答案是不够——螺丝松紧的关键信息在扭矩里，你却只喂了张模糊的照片。换十个模型也没用。这是第 9、10 章里最常见的坑，先在这里给你打个预防针。
过拟合：只会做原题的学生
现在讲全章最重要的一个词，也是你未来听汇报时最该警惕的一个词。
过拟合：模型把训练用的那批例子背得太死，连里面的噪声、巧合都当成规律背了下来。结果它在见过的题上满分，一换新题就傻眼。
回到描线的游戏。我给你 20 个点，其中有几个因为我手抖，点歪了。一个「刚好」的做法是描一条平滑的线，大方向对，个别歪点就让它歪着。可你要是较真，非要让线穿过每一个点，就得画出一条扭来扭去、上蹿下跳的鬼画符。这条鬼画符在这 20 个点上「一分不差」,可我再给你第 21 个点，它离谱得没边。
那条扭曲的线，就是过拟合。它不是在学规律，是在死记硬背。
换个人话:过拟合就是「只会做原题、不会变通的学生」。平时刷过的题门门满分，一到考场遇上新题型就抓瞎。你身边一定有这种同学。模型也会这样，而且比人更容易这样。
为什么说它是头号敌人？因为它会伪装成成功。团队拿训练数据一测，指标漂亮得不得了，皆大欢喜。可这漂亮全是背出来的，一上真实产线就崩。等你发现，钱和时间都花出去了。第 14 章「AI 骗你时你怎么知道」，源头就在这里。
怎么防？把考卷藏起来一部分
办法朴素得让你意外:把你的例子分成两堆。一堆给机器训练（平时做的练习册），另一堆藏起来，训练时绝对不给它看（期末考卷）。训练完，再拿这堆没见过的去考它。
在练习册上得高分不算数——那可能是背的。只有在藏起来的考卷上也得高分，才说明它是真学会了。你作为 PM，验收时一定要问一句:这个成绩，是在模型见过的数据上测的，还是没见过的？ 这一句话，能戳穿一大半虚假的漂亮。
泛化：能在没见过的数据上管用，才是目的
泛化：模型在从没见过的新数据上，也一样管用的能力。这才是我们做模型的真正目的——你要它上产线判断的，永远是它没见过的、下一颗螺丝、下一块工件。
过拟合和泛化是一对冤家:背得越死（过拟合越重），换到新数据上越废（泛化越差）。你追求的从来不是「在旧数据上多完美」，而是「在新数据上多可靠」。记住这句，你就抓住了机器学习的牛鼻子。
「准确率 99%」可能是在骗你
最后这一节，为整个工业场景埋一根最粗的线。请务必读进去。
假设产线上 1000 个零件，只有 10 个是坏的。现在有个模型，号称准确率 99%。听起来棒极了对吧？
我告诉你一个作弊的模型，它也能拿到 99%:不管来什么，一律说「好」。 1000 个里 990 个真的好，它全说对了，990÷1000 = 99%。可它一个坏的都没抓到——而抓坏的，恰恰是你装这套设备的唯一理由。
当好坏比例悬殊时，「准确率」这个词几乎没有意义。它会把一个彻底没用的模型，包装成一个优等生。
所以工业上真正要看的是另外两个数，它们盯着「坏的那 10 个」:
- 查全率（召回，英文 recall）:真正坏的那 10 个里，模型抓出来几个？抓出 8 个，查全率就是 80%。漏网了几个坏的，看这个。（你去查资料时它常被写成「召回率」或 recall，是同一个东西。）
- 查准率（英文 precision）:模型报警说「坏」的那些里，有几个是真坏？报警 20 次、真坏只有 8 个，查准率就是 40%。误伤了几个好的，看这个。
这俩通常是跷跷板，按下一头翘起另一头。你把模型调得草木皆兵、一点风吹草动就报警，坏的基本都能抓住（查全率高），但会冤枉一堆好件（查准率低）。反过来，你让它谨慎点、只在铁证如山时才报警，冤枉的少了（查准率高），可也会放跑一些坏的（查全率低）。
没有哪个更好，只有哪个更适合你的场景。这正是你 PM 该拍板、也只有你能拍板的地方：
- 做刹车片、心脏支架：一个坏的流到客户手里就是人命。宁可错杀一千，不可放过一个——查全率优先，误检多几个、多几双人工复检的手，认了。
- 做包装外观筛选:漏掉一两个瑕疵品无非退货，可你要是天天误报、让工人满车间捡「假坏件」，产线直接瘫。这时查准率更金贵。
看出来了吗？漏检和误检哪个更要命，是个业务问题，不是技术问题。 算法工程师答不了，只有懂业务的你能答。这就是你在算法这张牌桌上，最硬的那张牌。
这一章，你只要带走一句话
你不需要会造轮子。但你得会判断一个轮子圆不圆——而判断靠的是常识和对数据、对业务的理解，不是数学。
具体到能马上用的，就三个问句，未来每次听模型汇报你都掏出来:
- 喂给它的线索，本身够判断这件事吗？（特征对不对）
- 这个成绩，是在它没见过的数据上测的吗？（有没有过拟合、能不能泛化）
- 在我这个场景里，漏检和误检哪个更要命，指标是照这个来的吗？（查全还是查准）
把这三问揣兜里，第 9 章的视觉缺陷检测、第 10 章的时序异常，你就不是被工程师牵着走，而是能站着跟他们对话了。地基打好了，我们下章上手真东西。