当这些专家将自己的知识经验输入到系统中这个系统便开始运行每遇到一些新情况会将之变为一条条事实。 当将事实输入到专家系统时专家会根据规则或事实进行推导梳理并得到最终结论这便是专家系统。 而归纳法是从现有样本数据中不断地观察归纳总结出规律和事实对应机器学习系统或统计学习系统侧重于统计学习从大量的样本中统计挖掘发现潜在的规律和事实。
二机器学习过程数据维度 可以大致推算出购物为什么能够知道你喜欢什么是基于一个假设条件的一个人历史的购物行为及偏好会在未来的行为中也有迹可循。 所以利用机器学习我们通过用户历史交互数据特征包括谁在什么时间买了什么东西这个东西的名字叫什么什么颜色价格多少等等。 比较有用的可以对未来推荐有指导意义的特征包括 购买力 一个平时只买元左右牛 乌拉圭 whatsapp 号码列表 仔裤的用户未来短期内买元和元的裤子的概率远远低于买左右或者左右的概率所以推荐的时候会更优先给你看到-左右的裤子。
性别 平时在淘宝上只买男性或男女通概率远远低于男性和男女通用商品的概率。 年龄 一个一直购买-岁左右服饰的用户未来短期内购买其它年龄段的概率远远小于-岁年龄段的概率。 三为什么能够做到每个人不一样？ 根据学习逻辑归类如果在机器学习阶段考虑一些跟人相关的因素特征那这个因素的不同值就会影响结果输出。
比如我们现在根据用户对他购物的商品的评分数据来预测一个他从未买过的商品的评分背后影响用户评分的因素可能包括以下几个价格售前后物流商家主营类目是否和用户购买的类目相同其它用户的评分如果其他用户评分高则一定程度上代表了这个商品的好坏等等。 比如物流和价格这类因素特征如果和用户这个特征做交叉后其实会有非常迥异的权重值而这一切是每个用户的购买力和用户体验耐受力等不同带来的。