我们先把开头的故事理清楚——你刚考上人工智能的研究生，却搞不清机器学习和深度学习到底有什么实质性区别。身边学长调参数都调到怀疑人生，张口闭口就是“T9开天霹雳模型”。你可能也会想：既然传统机器学习的研究论文占比逐年走低，而深度学习又那么能打，是不是可以绕过那些“古老”的算法，直接反赌深度学习？ 先别急。现实中的逻辑链条其实是这样的：深度学习确实极大地简化了传统机器学习的整体分析流程和学习难度，并且在很多通用性任务上，打破了传统算法曾经的上限。但不论多火，深度学习始终是机器学习的子集。因此，这篇文章的核心，就是想跟你一起拆解一下，机器学习和深度学习在算法流程上到底有什么异同。

1、机器学习的算法流程

实际上，机器学习的核心就是数据科学——没错，听起来有点无聊，但一切模型的基础都从这里开始。下面是它的完整工作流： - 数据集准备 - 探索性的数据分析和可视化 - 数据预处理 - 数据分割（训练/验证/测试） - 机器学习算法建模 - 选择机器学习任务 - 最终评估模型在实际数据上的表现

1.1 数据集

研究的第一步，永远是数据。对于一个典型的机器学习任务，数据集可以抽象为一个 M×N 矩阵。其中 M 是列（特征），N 是行（样本）。列进一步可以划分为 X 和 Y —— X 是特征、独立变量或输入变量；Y 是类别标签、因变量或输出变量。

1.2 数据分析

探索性数据分析（EDA）的核心目标是：拿到数据后，迅速形成直观认识。这种认识通常包括清洗数据，计算描述统计量，观察数据分布，比较变量之间的关联。一套好的EDA分析，能直接引导你找到合适的模型。 第一步就是“盯住数据”，常用的三大EDA方法包括： - **描述性统计**：平均数、中位数、模式、标准差等。

- **数据可视化**：热力图（看特征相关性）、箱形图（看群体差异）、散点图（看特征之间的关联），还可以通过PCA看数据在低维空间的聚类分布。

- **数据整形**：对数据进行透视、分组、过滤等，为后续建模做准备。

1.3 数据预处理

数据预处理就是清洗、整理数据的环节，主要解决缺失值、拼写错误、数值标准化/归一化等问题。比如图像数据就需要resize成统一尺寸。数据质量直接影响模型质量，因此在传统的机器学习流程中，相当大一部分工作量其实是花在数据处理上——通常可以占到整个项目80%的时间，而模型建立与分析阶段只占到剩下的20%。

1.4 数据分割

为了保证训练好的模型在未知数据上仍能表现良好，需要把数据集分割成两部分：训练集和测试集。通常训练集占80%，测试集占20%。用训练集建立预测模型，再在测试集上进行预测，以此评估模型在未知数据上的泛化能力。 如果想进一步调优，还可以把数据分成三部分：训练集、验证集和测试集。训练集建模型，验证集用来调超参并选择最佳模型，测试集则始终“被蒙在鼓里”，只在最终评价时出场一次。 至于交叉验证，则是为了更充分利用宝贵的数据——把数据集分成N份，轮流拿一份做测试，其余做训练。这在传统机器学习中很常见，深度学习中用得少一些。

1.5 机器学习算法建模

数据准备好了，终于进入最有趣的部分。根据目标变量（Y）的数据类型，可以选择分类或回归模型。 机器学习算法大致分为三类： - **监督学习**：建立输入X和输出Y之间的映射关系，需要有标签数据。 - **无监督学习**：只用输入X变量，从数据的内在结构中学习。 - **强化学习**：通过试错学习，最大化回报，适合决策类任务。 调参是“调参侠”的核心工作。超参数直接影响学习过程和性能。以随机森林为例，常需要优化mtry（候选特征的随机采样数）和ntree（树的数量）。而10年前大火的SVM则要调C参数（正则化强度）和gamma参数（核函数宽度）。说到底，调参不是追求“最优值”，而是理解算法原理，找到适合数据的合理参数组合。 特征选择则是从大量特征中挑选最有用的子集。除了提高精度，它还能带来可操作的见解。这一领域本身就是一个研究方向，经典的方法包括模拟退火和遗传算法，也有基于粒子群优化、蚁群优化、蒙特卡罗的方法。

1.6 机器学习任务

在监督学习中，最常见的两个任务是分类和回归。 - **分类**：模型输出类标签。常用评价指标包括准确率（AC）、灵敏度（SN）、特异性（SP）和马太相关系数（MCC）。

- **回归**：用Y = f(X) 来量化输出变量。直接用实际值 vs 预测值的散点图就能直观看出模型表现。常用评价指标有确定系数（R²）、均方误差（MSE）和均方根误差（RMSE）。

2、深度学习算法流程

深度学习本质上是机器学习的一种特殊范式，因此它的整体流程与传统机器学习非常相似，但在两个关键点上实现了差异化：一是自动化了特征提取过程，二是大幅简化了传统算法中繁琐的数据分析和处理流程。取而代之的，是更复杂的网络结构设计和更繁重的调参工作。 在深度学习大规模应用之前，传统机器学习需要花大量时间手动提取和筛选特征，再组合不同特征进行分类或回归。而现在，神经网络自己就能从数据中学习更高维的抽象表示。

深度学习的主要流程如下： - 数据集准备 - 数据预处理 - 数据分割 - 定义神经网络模型 - 训练网络 它不再需要手动提取特征，而是直接让网络对数据进行高维抽象学习——这大大缩短了特征工程的时间。当然，代价也是有的：由于网络更深、更复杂，调参的任务反而变得更重了。你需要定义网络结构、确认损失函数、选择优化器，然后就是反复调整模型参数的循环。 说到底，深度学习不是凭空出现的新物种，它只是用一种更自动化的方式，把传统机器学习中完全由人完成的那些“苦活”承接了过来——只不过，调参的重担还是落在了人类的肩膀上。