018 机器学习基础：监督学习、无监督学习与强化学习
去年调一个STM32上的手势识别模型，跑KNN分类器，死活准确率上不去。翻来覆去查数据，发现训练集里“握拳”和“张开”的标签贴反了三分之一。那一刻我盯着屏幕，突然意识到一个残酷的事实：机器学习项目里，80%的坑不在算法，而在你根本没搞懂自己到底在解决哪类问题。
今天这篇笔记，不扯数学公式，只聊三件事：监督学习、无监督学习、强化学习。它们不是教科书里并列的三个章节，而是三种完全不同的“与数据对话的方式”。搞混了，轻则模型不收敛，重则整个项目方向跑偏。
一、监督学习：你给答案，它学规律
先讲个真实翻车现场。有次给工业相机做缺陷检测，采集了5000张PCB板照片，每张都人工标注了“有焊渣”“缺元件”“正常”。跑了个CNN，训练loss降得漂亮，上线第一天误报率飙到40%。排查发现：标注员把“正常但有灰尘”全标成了“缺元件”——监督学习的命根子是标签质量，不是模型结构。
监督学习的本质是：你手里有一堆“问题-答案”对，让模型自己找映射关系。嵌入式里最常见的场景：
- 分类：判断传感器数据属于哪一类（比如加速度计波形是“走路”还是“跑步”）
- 回归：预测连续数值（比如根据温湿度预测空调功率）
踩过的坑清单：
- 标签噪声比想象中致命。STM32上跑轻量模型，参数少，抗噪能力弱。标签错5%，准确率可能掉20%
