刚接触机器学习时，不少初学者常常被“算法”和“模型”这两个术语困扰。在许多文章里，它们被交替使用，乍看似乎没区别，但细想又觉得另有玄机。作为开发者，我们早已熟悉排序算法、搜索算法等概念，这种直觉恰好能帮助我们理清头绪。本文就来系统梳理机器学习中“算法”与“模型”的具体区别。

机器学习中的“算法”是什么？

简单来说，机器学习中的“算法”是一套流程，它作用于数据，最终产出“模型”。算法负责从数据中挖掘规律——业内常说的“学习”或“拟合”，本质上是同一回事。

常见的机器学习算法包括：

• 线性回归
• 逻辑回归
• 决策树
• 人工神经网络
• K-最近邻
• K-均值

你可以将其视为计算机科学中其他任何算法。比如冒泡排序是排序数据的算法，最佳优先搜索是搜索数据的算法——机器学习算法同理，只不过它的输入是训练数据，输出是一个模型。

因此，机器学习算法也具备类似特征：

• 可用数学和伪代码描述
• 效率可分析、可比较
• 能用现代编程语言实现

在研究论文或教科书里，你常常会看到用伪代码或线性代数描述的机器学习算法，学者们还会比较不同算法的计算效率。这与计算机科学其他分支完全一致：学术界设计新算法，实践者在项目里使用标准算法。你也能看到多个算法实现被封装在标准库中，例如 scikit-learn 就为分类、回归和聚类提供了大量 Python 实现。

机器学习中的“模型”是什么？

那么模型呢？模型是算法处理完数据后输出的产物。它代表了算法从数据中学到的内容——具体而言，就是在训练数据上运行算法后保存下来的一系列规则、数值以及其他算法特有的数据结构。借助它，我们才能进行预测。

举几个例子就清楚了：

• 线性回归算法运行后，得到一个由特定系数向量组成的模型。
• 决策树算法运行后，得到一个由特定 if-then 判断语句构成的树结构。
• 神经网络（配合反向传播和梯度下降）运行后，得到一组特定权重的矩阵和一个图结构。

对初学者来说，模型比算法更难理解，因为计算机科学中没有直接对应的类比。比如排序算法输出的是有序列表，那并非模型。

最好的类比是将机器学习模型视为一个“程序”。这个“程序”由数据以及利用数据进行预测的流程构成。举个例子，线性回归算法产生的模型：它包含一组系数（数据），当你拿到一行新数据时，把系数与输入相乘再求和，便完成预测（预测流程）。我们将这样的数据保存下来，后续使用。

平时我们直接利用机器学习库提供的预测流程即可。有时也可以自己实现，因为大多数预测流程其实相当简单。

算法与模型框架

现在我们已经明白：对数据运行算法，就能创建模型。用公式表达为：

机器学习算法 + 数据 => 机器学习模型

同时，模型本身可以拆分为两部分：模型数据 + 预测算法（或者说预测流程）。

机器学习模型 == 模型数据 + 预测算法

这个分解框架对理解各种算法非常实用。大多数场景下，核心工作集中在“算法”那一侧，预测算法做的事情很少。例如线性回归，它的算法就是一个优化过程（或用线性代数直接求解），目标是在训练数据上找到一组权重，使误差平方和最小。而预测算法只是简单地将输入与权重做线性组合。

反过来，也有一些算法本身很“偷懒”，几乎不做任何事，所有工作都堆到了模型数据或预测算法里。K-最近邻就是典型：它的“算法”仅仅是完整存储整个训练数据集。模型数据就是全部训练数据，而预测算法才是重头戏——新数据进入后，计算它与所有存储数据的相似度，找出 K 个最相似的，再取它们的平均值作为预测结果。

用这个框架去套任何一个机器学习算法，你都能快速抓住它的核心。

机器学习是自动编程

归根结底，我们真正想要的是那个“模型”——而“算法”只是获得模型的手段。机器学习解决的是那些传统方法搞不定或效率太低的问题。

拿垃圾邮件分类来说：你需要一个程序来区分垃圾邮件和非垃圾邮件。如果手动分析几千封邮件然后写一堆 if 语句，也能实现，但后果往往是代码冗长、脆弱、效果差。而改用机器学习，像朴素贝叶斯这样的算法，就能从大量历史邮件样本中自动学会分类规则。

注意，我们想要的不是朴素贝叶斯这个算法本身，而是它产出的模型——一套概率向量以及用概率做预测的流程。模型才是可以直接集成到应用中的东西。从这个角度看，机器学习模型就是由一个算法自动“编写”出来的程序。

对开发者来说，纠结机器学习算法里的“学习”过程（比如神经元如何模拟、梯度如何下降）意义不大。这些事有人研究就够。我们更在意的，是算法带来的自动编程能力——让机器直接生成一个有效的模型，然后将其无缝嵌入到自己的软件项目里。算法负责自动编程，模型就是它为我们写好的程序。