机器学习思路

“学习”是所有具有行为能力的生物与生俱来的能力，是人类从出生到老去一直在做的一件事情，自从人工智能的出现，到现在计算机的普及，“学习”就变为研究界一个炙手可热的课题。在实际生活中，通过不断的行为，人们开始尝试对实际事例进行分析，自然也就得出了一些规律。然而生活中总是会有一些不可预估的事情，那么预估的准确度就是一个社会进步的直接体现。在预估比较简单的事情时，就会很轻松，那么当预估一些不易的、不能直接、快速观察的事情时，它就间接反映了科学的进步。我们可以通过一般事情所得出的规律，解释说明一些已知事例和现象，又可以一定程度上进行预测，预测那些未知的，不能直接观察的现象，才能满足这个大千世界的需要，才能对这个社会的进步做出贡献。实际上，对那些未知的事情进行预估的时候，方法如果用的不恰当就会产生错误预估，但是“一个人”的力量是有限的，我们必须借助多种思路，选择出最适合方法来进行分析，这就要用到前人所总结的模型，而恰恰就有了预估的最关键点----建立模型，这也是许多科学研究的核心部分。这样才能发挥它最该有的作用，控制和预测在这样的一个建模过程，也就是本文中要阐述的机器学习过程[14] 。

多年的学习经验也告诉我们，学习不单单只是学习，要想让学习出现最佳效果，就必须学会获取知识、改善能力。知识获取方面，并不是指获取所有信息，而是指获得有用知识、积累经验并发现生活规律等；能力改善方面也是有所要求的，是指改进性能、适应环境、实现自我完善等。综上，在学习中，获取只是、改善能力并不是单独存在的，它们密切相关，这存在一个辅助作用，其中学习中过程中的核心是知识获取知识，它对应的结果就是能力改善。

人工智能越来越重要，而机器学习是人工智能的关键，它是人工智能领域的最重要分支，它不仅仅可以用来简单的使用数据，更可以研究如何使得计算机接收数据后，具备更强大的学习和分析能力。为实现这一步，我们就需要运用经典模型、算法模拟、实现人类一直在做的学习行为，从而获得更多的......

......

总结

本文主要利用了BP神经网络和支持向量机的方法建立模型，对合肥市的PM2.5进行预测。利用非线性转换的方法，对有关数据进行处理，并将训练后的数据输入模型中。通过对模型的误差分析，提出最优的预测模型。研究的结果对PM2.5的控制与预测有着较为重要的实际意义。

展望

本文在建立模型时，考虑仍不够全面。比如没有考虑到降水以及风速、压强等因素对模型的影响。在之后的研究中，横向上，可以加入不同时的风向、各离子的浓度、PH值以及降水量等因素作为影响因素。纵向上，不但可以从数学模型来预测，更可以从根源上，理论分析其来源和特性，从而加深对PM2.5预测的研究，采取多元化的手段来控制PM2.5的排放。

中国目前对PM2.5的检测是间断且零散的，得到的结果也是比较局限的。系统性较差的数据导致观测结果有限，不能全面的反映PM2.5的整体情况。但是随着科技的飞速发展，科学技术和仪器设备的更新进步，监测和研究工作的深入展开，各种环境保护和治理措施有力的执行，我相信PM2.5能得到有效的控制。