【机器学习】基础术语

模型：指从数据当中学到的结果
维：代表样本具有的特征数
特征：样本的某一个明确的属性
向量：样本的特征的集合
标记：对于样本所需求得的值
分类：代表预测值为离散的
回归：代表预测值为连续的
二分类任务：标记的预期值只有两个
多分类任务：标记的预期值有多个
聚类：将训练集中的样本分成若干组
簇：上述聚类中的组
监督学习：分类与回归，带有标记的学习
非监督学习：聚类，不带有标记的学习
泛化：指模型用于新样本的能力
归纳：通过样本得出模型的过程
演绎：从模型预测结果的过程
偏好：归纳时选择的预测倾向
奥卡姆剃刀：若有多个假设，选择最简单的那个
NFL定理：不带目标时，所有学习算法的期望性能相同