一开始我总以为机器学习里的 “模型” 和 “算法” 是一回事 —— 不都是一个函数吗？你看，模型是给一个或几个输入，经过一番计算后得出结论；算法似乎也一样，接收几个输入，再哐哐一顿运算，最后输出结果。这么看下来，二者好像没什么区别。直到后来我看到一篇文章，才明白它们其实是不同的概念，文章里的解读很有道理，想来对我之后理解机器学习的核心逻辑会很有帮助，所以特意记录下来。
ShowMeAI 网页内容（https://www.showmeai.tech/article-detail/185）
| 概念 | 网页中的核心定义 | 本质 |
|---|---|---|
| 模型 | 在 AI 数据驱动范畴内，模型指的是「基于数据 X 做决策 Y 的假设函数」，可以有不同形态（计算型、规则型等） | 是最终用于预测 / 决策的 “工具” —— 比如用 “房价预测模型”，输入面积、地段（X）就能输出房价（Y），它是对数据规律的 “具象化表达” |
| 算法 | 指「学习模型的具体计算方法」，是统计学习中 “基于训练数据集，根据学习策略从假设空间选择最优模型，并求解最优模型的过程” | 是得到模型的 “手段” —— 比如用 “线性回归算法” 去训练数据，最终得到 “线性回归模型”，它是 “寻找最优模型参数的步骤集合” |
简言之： 算法是 “训练过程”，模型是 “训练结果”；算法为模型服务，模型是算法的产出物 。
二者容易被误认为 “一回事”，核心是因为它们 “强绑定”—— 没有算法就无法得到模型，讨论模型时也必然要关联对应的训练算法（比如 “决策树模型” 是用 “决策树算法” 训练得到的）。但绑定不代表等同，
