我们在上一篇文章中给大家介绍了很多关于机器学习需要注意的事情，这些事情都是前辈们踩过的陷阱，所以这些内容对于我们来说可谓是弥足珍贵的经验。我们在前面的文章中也给大家介绍了很多关于机器学习的内容，在这篇文章中我们继续为大家介绍相关的内容，希望大家能够有所收益。

首先我们需要注意的是可表征不意味着可学习。在本质上来说所有用于可变规模学习器的表征都与每个函数都可以用这样的表征方式来表示或近似的相关。基于此的理论保证，热衷于表征方式的研究者经常忽视所有其他的部分。但是，仅仅因为一个函数可以表征并不意味着它可以被学习。标准的决策树学习器不能比具有训练样例的决策树学习更多。在连续的空间中，使用一组固定的原语来表示简单的函数通常需要无限数量的内容。另外，如果假设空间具有许多评价函数的局部最优值，那么往往是这样，即使学习器具有表征能力，也可能找不到真正的函数。对于有限的数据，时间和内存，标准的学习模型只能学习所有可能函数的一小部分，而这些子集对于具有不同表征能力的学习器是不同的。

然后我们给大家说的是相关性并不意味着因果关系。其实，相关性并不意味着因果关系，因此这也许是不值得的。但是，尽管我们所讨论的那种学习器只能学习相关性，但他们的结果往往被视为可以表示因果关系。而事实往往是，学习预测模型的目标是用它们作为策略的指南。但是实际上很难说清楚相关实验。与实验数据不同的是，机器学习通常应用于预测变量不受学习器控制的观测数据。虽然一些学习算法可能会潜在地从观测数据中提取因果信息，但是它们的适用性会受到限制。另一方面，相关性是潜在的因果关系的一个标志，我们可以将它作为进一步研究的指导。

在这篇文章中我们给大家介绍了有关机器学习中需要注意的内容的最后一部分，这些内容都是能够帮助我们更好了解机器学习的细节知识。只有对机器学习有了充分的了解我们才能够更好地驾驭机器学习，希望这篇文章能够给大家带来帮助。如果您喜欢我们的文章，那么请持续关注我们吧。