杂思｜机器学习是不是就是把已有模型参数重新算，再做预测啊

比如回归方程模型（M1 = a+b*x），a是截距，b是斜率。对于一组数据来说，根据最小二乘法就能算出来最优斜率。
但有时候M1不能很好解释数据，可能不是因为模型，而是因为模型参数。
（Suppose M1 is found to be a poor approximation of the data. The poor data correspindence could simply be the result of the chocie of parameter values)

机器学习的思路，相当于把b当作自由参数，不用最小二乘算出适合这批数据的最佳参数值，而是通过损失函数（cost function）等迭代优化（optimization）找到最佳的参数值b，用这批数据60%-80%训练参数，用剩下的数据测试新的回归模型的预测效果。

感觉传统模型就是用各种fit index算固定值，比如M1用最小二乘法对这批数据算b，结果是固定的，模型的比较更像非好即坏；机器学习是用动态迭代算，不同数量的数据会训练出来不同的b，在模型理论无异议的情况下，模型可以不断优化。