决策算法系统化能力提升 - 第1节

一、决策算法导论：到底什么是决策算法？

说实话，我入行那会儿，对「决策算法」这个词的理解特别模糊。

当时带我的老大哥跟我说了一句话，我到现在还记得——「决策算法，就是帮机器做选择的数学方法」。你想想看，不管是推荐系统给你推哪条视频，还是自动驾驶该不该刹车，背后都是一套决策逻辑在跑。

我个人习惯把决策算法拆成三个层次来看：

• 输入层：你给机器什么数据？是带标签的，还是不带标签的？
• 决策层：机器用什么规则或模型来做选择？
• 反馈层：决策做完了，有没有反馈信号来优化下一次？

说白了，决策算法就是「数据 → 模型 → 行动 → 反馈」这个闭环里的核心引擎。

二、决策算法的三大分类

我在项目中遇到过不少同学，一上来就问「该用哪个算法？」。其实，先搞清楚分类比什么都重要。我一般把决策算法分成三大类：

2.1 监督学习：有标准答案的决策

监督学习，说白了就是「老师带着做题」。你给模型一堆带标签的数据，让它学会输入和输出之间的映射关系。

• 分类问题：比如判断一封邮件是不是垃圾邮件。输出是离散的类别。
• 回归问题：比如预测明天的房价。输出是连续的数值。

嗯，这里要注意——监督学习的前提是你得有足够多、足够准确的标签数据。我曾经在一个风控项目里，因为标签质量太差，模型上线后误杀率高达30%。后来花了整整两周清洗数据，才把指标拉回来。

2.2 无监督学习：没有标准答案的探索

无监督学习就更有意思了——没有老师，全靠自己悟。模型自己从数据里找结构、找模式。

• 聚类：比如把用户分成几类，看看哪些人喜欢买什么。
• 降维：比如把100个特征压缩成10个，方便可视化或加速训练。

你想想看，无监督学习最适合什么场景？就是「你也不知道该分几类，但就是想看看数据长什么样」的时候。我有个做电商的朋友，用K-Means做用户分群，结果发现了一类「深夜下单、白天退货」的奇葩用户——这就是无监督学习的价值。

2.3 强化学习：在试错中学会决策

强化学习，我个人觉得是最像人类学习方式的一种算法。它没有现成的标签，而是通过「行动 → 奖励 → 调整」这个循环来学习。

• 智能体（Agent）：做决策的主体，比如游戏里的AI角色。
• 环境（Environment）：智能体所处的世界，比如游戏画面。
• 奖励（Reward）：每次行动后得到的反馈信号。

我记得有一次做机器人路径规划，用Q-Learning训练了一个智能体。刚开始它到处乱撞，撞墙就扣分，走到目标就加分。训练了5000轮之后，它居然学会了抄近道——这就是强化学习的魅力。

三、算法选型的核心原则

很多新手会问：「哪个算法最好？」我的回答永远是——没有最好的算法，只有最合适的算法。

我个人总结了一套选型原则，分享给你：

决策因素	监督学习	无监督学习	强化学习
是否有标签数据	必须有	不需要	不需要（但有奖励信号）
是否需要实时交互	不需要	不需要	需要
决策是否序列化	单步决策	单步决策	多步序列决策
可解释性要求	高（如决策树）	中	低
典型应用场景	风控、推荐、图像识别	用户分群、异常检测	游戏AI、机器人控制

我建议你按照这个顺序来选：

1. 先看数据：有标签吗？有 → 监督学习；没有 → 无监督或强化学习。
2. 再看任务：是单步决策还是序列决策？序列决策 → 强化学习。
3. 最后看资源：算力够吗？时间够吗？强化学习通常更贵。

四、本章知识体系总览

下面这张图，是我手绘的本章知识结构。你可以把它当作一张「决策算法地图」来用：

这张图把三大类算法和它们的子任务都串起来了。你每次做选型的时候，可以对着这张图问自己三个问题：

• 我的数据有标签吗？
• 我的任务是单步决策还是序列决策？
• 我的资源够支撑强化学习吗？

嗯，这三个问题问完，选型方向基本就定了。