> For the complete documentation index, see [llms.txt](https://ruyuanzhang.gitbook.io/compmodcogpsy/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://ruyuanzhang.gitbook.io/compmodcogpsy/di-er-zhang-ji-suan-mo-xing-ji-chu/2.1-shen-me-shi-ji-suan-mo-xing.md).

# 2.1 什么是计算模型？

虽然心理学和认知科学中经常说计算模型(computational modeling)这个东西，但是很多时候我们并不知道到底什么是计算模型。其实，计算模型这个东西，也没有什么官方的定义。我们不妨把心理学中计算模型先放一放，聊一聊当前机器学习的模型定义。

前卡内基梅隆大学机器学习系主任的Tom M. Mitchell说过: “机器学习(Machine Learning)是研究计算机算法的一门学科，这些算法可以通过经验和数据的使用自动改进。”

如人类的学习一样，教机器也遵循着：教授基本规则——>练习规则——>改正错误——>熟悉规则——>应用规则。计算机在训练集（training dataset）上学习，在测试集（test dataset）上进行验证，当测试结果稳定后，试图将学习到的规则泛化到新的数据上去。这是一种简单朴素的智能模拟。

机器学习一般可以分为三大类: 

1. **监督学习**：通过已知输入和输出数据对模型进行训练，使其能够预测新的输入数据的输出。常见应用包括线性分类（如垃圾邮件检测）、线性回归（如房价）。
2. **无监督学习**：从没有标签的数据中寻找隐藏模式。常见应用包括聚类（如客户分群）和降维（如主成分分析）。
3. **强化学习**：通过试错法学习，通过奖励和惩罚机制优化决策过程。常见应用包括游戏AI和自动驾驶。

在很多或者实际内容上，当前机器学习的内容和现在我们心理学用的计算模型，内容和概念高度一致。下面我将暂时抛开认知科学，用一个很简单的例子阐述一下模型选择、模型拟合、模型准确度和模型可信度。