机器学习是通过数据驱动让计算机从经验（数据）中自动学习规律，无需显式编程即可完成任务的技术。其核心概念可分为三大类：基础概念、算法类型、模型评估指标。
特征（Feature）：描述数据的 “属性”，是模型学习的输入。例如判断 “是否为垃圾邮件” 时，“邮件包含‘免费’次数”“发件人是否陌生” 就是特征。
标签（Label）：数据的 “结果” 或 “目标”，是模型需要预测的输出。例如垃圾邮件判断中，“是垃圾邮件（1）” 或 “不是垃圾邮件（0）” 就是标签。
数据集划分：为避免模型 “作弊”，需将数据分为三类：
训练集（Training Set）：用于模型学习规律，占比通常 60%-80%；
验证集（Validation Set）：用于调整模型参数（如超参数），避免过拟合，占比 10%-20%；
测试集（Test Set）：模拟真实场景，评估模型最终泛化能力，占比 10%-20%。
泛化能力（Generalization）：模型对 “未见过的新数据” 的预测能力，是机器学习的核心目标（好的模型需 “举一反三”，而非 “死记硬背”）。
过拟合（Overfitting）：模型过度学习训练集细节（包括噪声），导致训练集表现极好，但测试集表现差。例如学生死记硬背题库，考试遇到新题就不会。
欠拟合（Underfitting）：模型未学到训练集的核心规律，训练集和测试集表现都差。例如学生未理解知识点，连题库题都做不对。
根据数据是否有标签、学习方式的不同，机器学习算法可分为四大类：
不同任务需用不同指标衡量模型性能，核心指标如下：
分类任务（如垃圾邮件识别、疾病诊断）：
准确率（Accuracy）：预测正确的样本占总样本的比例（适用于数据平衡场景）；
精确率（Precision）：预测为正类的样本中，实际为正类的比例（减少 “误判”）；
召回率（Recall）：实际为正类的样本中，被预测为正类的比例（减少 “漏判”，如癌症诊断需高召回率）；
F1 分数：Precision 和 Recall 的调和平均数，平衡两者。
回归任务（如房价预测、气温预测）：
平均绝对误差（MAE）：预测值与真实值的绝对差的平均值（直观反映误差大小）；
均方误差（MSE）：预测值与真实值的平方差的平均值（惩罚大误差，如金融预测）；
决定系数（R²）：衡量模型解释数据变异的能力，取值 0-1，越接近 1 越好。
聚类任务（如用户分群）：
