传统编程
定义：传统编程是一种通过编写明确的指令和规则，指导计算机完成特定任务的编程范式。程序员需要将解决问题的逻辑拆解为具体的步骤，并逐行编写代码，计算机则严格按照预设指令执行操作。规则显性化：程序员需清晰定义完成任务的每一个步骤、判断条件和执行规则。
结果确定性：对于相同的输入，程序会遵循固定逻辑输出完全一致的结果。
依赖领域专家知识：要求程序员深入理解问题领域的逻辑和规则，才能编写精准的执行代码。
示例：编写程序判断一个数字是奇数还是偶数（规则明确，逻辑简单）：def is_even(number): # 明确定义判断规则：能被2整除的数为偶数 if number % 2 == 0: return True else: return False# 测试示例print(is_even(4)) # 输出：Trueprint(is_even(7)) # 输出：False
该示例中，程序员直接定义了 “偶数 = 数字除以 2 余数为 0” 的核心规则，计算机只需按此规则执行判断即可。
机器学习
定义：机器学习是一种数据驱动的编程范式，它不要求程序员编写完成任务的具体步骤，而是通过向模型输入大量带标签的示例数据，让模型自动从数据中学习规律、提取模式，最终具备处理同类问题的能力。数据驱动：模型的性能依赖于高质量、大规模的训练数据，数据量和质量直接影响学习效果。
结果非绝对确定性：即使输入相同，模型输出可能因训练过程的随机因素（如参数初始化、数据抽样）略有差异。
规则自动化学习：计算机通过算法自主从数据中归纳规律，无需人类显式定义所有规则。
训练集（Training Set）：用于训练机器学习模型的数据集，包含输入数据和对应的目标标签（如 “猫图片 - 有猫”“狗图片 - 无猫”），模型通过学习这些数据调整自身参数，形成决策逻辑。
测试集（Test Set）：用于评估模型泛化能力的数据集，包含未参与训练的输入数据和对应标签，可验证模型对新数据的预测准确性。
示例：使用机器学习模型对数字图像进行分类（规则复杂，无法通过简单逻辑定义）：# 导入必要的机器学习库from sklearn.model_selection import train_test_splitfrom sklearn.ensemble import RandomForestClassifierfrom sklearn.datasets import load_digits# 加载手写数字数据集（包含数字图像特征和对应标签）digits = load_digits()X = digits.data # 输入特征：图像的像素特征值y = digits.target # 目标标签：图像对应的数字（0-9）# 划分训练集（80%）和测试集（20%），random_state保证结果可复现X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, random_state=42)# 初始化随机森林分类器模型model = RandomForestClassifier()# 用训练集训练模型（模型自主学习特征与标签的关联规律）model.fit(X_train, y_train)# 用测试集验证模型，输出预测结果predictions = model.predict(X_test)# 简单评估模型准确率accuracy = model.score(X_test, y_test)print(f"模型预测准确率：{accuracy:.2f}") # 输出示例：模型预测准确率：0.98
该示例中，程序员未定义 “如何识别数字 5” 的具体规则，而是让模型通过学习大量数字图像数据，自主归纳不同数字的特征模式，最终实现分类。
传统编程 vs 机器学习
| | |
|---|
| | |
| 规则明确、逻辑清晰的问题（如计算公式、数据清洗、业务规则校验） | 规则复杂、难以显式定义的问题（如图像识别、语音识别、推荐系统、情感分析） |
| | |
| | |
| | |
