机器学习（ML）是人工智能的分支，通过数据训练模型以实现预测或决策。以下是关键概念解析：
1. 监督学习
使用带标签的数据训练模型，常见任务包括分类（如图像识别）和回归（如房价预测）。
2. 无监督学习
处理无标签数据，用于聚类（如客户分群）或降维（如数据可视化）。
3. 强化学习
通过试错机制优化决策，常用于游戏AI（如AlphaGo）和机器人控制。
4. 过拟合与欠拟合
- 过拟合：模型过度适应训练数据，导致泛化能力差（⚠️需警惕！）
- 欠拟合：模型未能捕捉数据规律，性能低下（🛠️需优化特征）
5. 交叉验证
评估模型泛化能力的常用方法，如K折交叉验证（📊提升可靠性）
6. 特征工程
通过选择、转换数据特征提升模型表现（🔧关键步骤！）