把部分规律交给数据学习
设想小店记录每天的天气、是否周末和售出数量，模型可以从历史样本中学习输入与销量之间的关系，再对新一天给出估计。这是假设情境，不意味着这些变量已经足以可靠预测现实销量。
与直接手写“周末多做二十个”的规则相比，机器学习让算法从样本调整模型。但输入选什么、误差如何衡量、漏掉的情况怎么办，仍然需要人的设计与检查。
训练材料，与检查能力的材料分开
- 01训练
从样本中调整模型
- 02测试
检查未见材料上的表现
监督学习的简化例子；机器学习并非只有这一种训练方式。
学会分邮件，不等于背下旧邮件
假设你准备了许多邮件，并标出哪些是广告、哪些是正常往来。训练过程尝试从字词、表达方式等线索里找规律，再用这些规律判断新邮件。这比要求人逐条写出“出现这个词就拦截”的全部规则更灵活，但仍可能判断错。
若训练材料里的广告恰好都写着“您好”，模型可能抓住这个无关线索，把正常问候也当广告。检验时需要拿没有用于训练的邮件，观察它能否分清，而不是只看它对做过的练习答得多好。这就是为什么数据多不等于自动可靠：样本的代表性、标记是否正确、测试方式和以后环境的变化，都会影响学到的规律有没有用。
学到规律，怎样用在新情况
例如给模型看许多带有类别的图片，训练后再让它判断新图片里是什么；或者根据以往销量和条件，估计下一天可能的需求。样本提供学习线索，新任务检验学到的规律是否有用。
模型也可以用于生成文字等内容，不能只把机器学习理解成给图片分类。不同方法的输出、训练方式和评价尺度不同，不能靠一个统一分数判断所有任务的效果。
历史表现好，还要能面对新情况
如果历史样本只覆盖晴天，模型未必知道暴雨时需求怎样变化。数据有偏差、标签不准或任务本身变化，都可能让模型学习到不适用于未来的关联。
因此需要拿训练时没看过的数据检查效果，看看错误集中在哪些情况，再决定怎样使用。机器学习能提供工具，但不会自动证明因果关系，也不能因为输出很精确就省略业务判断。