我知道有很多问题适合机器学习，但是那个不适合它的问题呢？
什么时候不应该使用机器学习？
答案 0 :(得分：0)
SO的问题太广泛了，但我会尝试在理论上回答： ML中唯一的问题是对看不见的数据有一个很好的概括，它有一些模式，因为只有在你之前学到了一些关于分布的东西之后，你才能获得一些关于新的看不见的数据的信息（预测标签，集群）。从理论上讲，您可以强制机器学习相对于可用功能具有非随机分布的任何任务，但您需要有足够的数据以获得所需的精度。这就是为什么它在实践中有时是不可能的。因为要捕获硬分布规则，您需要具有较大的变化（更通用）或更具体（但它包括您自己的数据知识）模型，并且要学习此模型而不过度拟合，您需要拥有大数据集，对于所有这些你需要拥有强大的计算资源等等。
如果您对有关理论方面的更详细解释感兴趣，可以从此CaltechX - CS1156x Learning from data开始观看caltech的讲座。
还有理论方程来预测模型在可用数据量方面的泛化能力：Vapnik–Chervonenkis theory Akaike_information_criterion