你是对的，我不确定我是否完全按照你所说的去做，但是对于你的整体问题，机器学习模型是否可以用作一种压缩形式 - 是的！

一个很好的例子是自动编码器，它是一个神经网络，可以将输入“分解”为基本元素，然后仅使用所需的元素重构输入。这正式称为Dimensionality Reduction。

一些实际应用正在消除例如图像中的噪声，如果您考虑删除不需要的数据，但保留整体外观。很像传统的图像压缩，它看起来并不完全相同。

我认为你如何定义机器学习有很多困惑：

• 有不同类型的学习：如果模型是用带有“正确”答案注释的数据训练的，那么它就是监督学习。
• 有监督的 ML 有许多不同的“家族”（方法）。您的描述侧重于神经网络，但还有很多其他的。
• 您的最后两个步骤可能是指验证（在训练期间）和/或评估（在训练之后和单独的测试集上），但这不是很清楚。

监督机器学习可以总结如下：

• 目标是让系统找到一个函数$f$它转换输入$x$（特征）输出$y$（目标变量）
• 该系统提供了一对样本$(x,y)$（训练数据）。请注意，此样本只是总体数据的一个子集：经过训练，系统必须能够找到$y$对于任何输入$x$, 不仅值$x$ 在训练数据中看到。
• 这就是为什么系统必须从数据中进行泛化，即在$x$ 这有助于确定 $y$. 如果系统没有泛化并且只存储准确的$x$ 给出哪个 $y$ 那么它无法预测答案 $y$ 对于任何价值 $x$ 这在训练数据中没有看到，那是没用的。

从某种意义上说，泛化过程可以看作是压缩训练数据中包含的知识。但是，至少有几个主要区别：

• 压缩的目标是表示一个特定的输入 $x$ 使用尽可能少的空间，以使重新获得相同的空间成为可能 $x$，可能会有一些损失。监督机器学习的目标是预测输出$y$对于任何 $x$. 第一的$y \neq x$，但更重要的是，ML 无法生成训练时使用的数据（通常，请参见下面的例外情况）。
• ML 模型不必减少训练数据的大小。例如，基于实例的学习只存储所有实例，以便以后将其用于预测。