我們在學習機器學習的時候總會遇到很多的問題，而這些問題總是導致很多的問題，其實這些都是正常的，我們只有正視這些錯誤才能夠更好地進行操控機器學習，而機器學習的常見錯誤有很多，我們在這篇文章中給大家介紹一下機器學習的常見錯誤，那就是只有模型沒有系統。那么究竟是怎么一回事呢？下面我們就給大家介紹一下這個情況。

相信大家已經知道機器學習的核心知識吧，其實機器學習系統的核心是各種機器學習模型，但并不能說模型是系統的全部，甚至都不一定是系統中最重要的部分。如果把一個完整的機器學習系統比喻成一部手機，那么模型可以算作是手機的處理器，但是我們知道除了處理器以外，影響手機最終性能的因素還有非常的多，比如說屏幕，做工等等，而有了高端處理器并不能說明這是一款好手機。

當然，用這個比喻說機器學習也是一樣的，要想讓模型充分發揮作用，這就需要在系統構建時具有充分的大局觀意識，把模型當做系統的一部分來看待。在這里需要提醒大家的是，在注意優化模型的同時，更要注意模型的提升是否對系統整體最終效果產生了提升，如果沒有，那么要從系統中模型以外的部分找問題。而在所以在開發系統的過程中，不能只關注模型本身的好壞，更重要的是要關注模型對系統最終影響，以調優系統為目標，而不是僅僅調優模型為目標。如果只看到模型而看不到系統，很可能會做出指標漂亮但是沒有實效的花瓶系統來。

當然，還有人在學習機器學習的時候忽視模型過程和細節。很多人覺得機器學習模型只需要把樣本和特征放進去，就會有好用的模型參數生成，其實并不是這樣的，如果這樣想，會讓人習慣性地忽略模型的細節，比如說某個參數為何是這個取值，這個取值是否合理，這個取值對應的樣本數據是什么樣子等問題，我們需要做的事情就是把精力都花在調一些外部參數之類的工作上。當然，如果硬要這樣做的話，得到的后果就是如果模型效果不好，不一定能夠通過調整外部參數來達到調優效果。在樣本收集處理過程中，摻入了一些噪音數據沒有去除，那么這些噪音數據會影響最終的模型參數，進而影響模型效果。這種問題通過調一些諸如正則化參數之類的參數是無法解決的，真正有效的解決方法是深入的具體參數中，找到表現異常的參數，然后深入到該參數對應的正負樣本及其特征，這樣逐層滲透地查找問題。典型的LR模型作為當今最流行的模型，很多人只看到了訓練速度和擴展性這些優點，而沒有充分利用模型簡潔性這一特點。LR簡潔的參數形式非常適合使用上面描述的問題查找方法來定位問題。

通過這篇文章相信大家已經知道了只有模型沒有系統這一錯誤的來源了吧？大家在進行機器學習中一定要去避免這些問題，這樣才能夠更好地學習機器學習的知識。