机器学习——基本表示法

数据集(特征集+标签集)

这里的数据集表示为：

• 特征集：
  $$\begin{array}{c}{x}_1={\left(x_{11},x_{12},\cdots ,x_{1d}\right)}^T\\ x_2={\left(x_{21},x_{22},\cdots ,x_{2d}\right)}^T\\ ⋮\\ x_n={\left(x_{n1},x_{n2},\cdots ,x_{nd}\right)}^T\end{array}$$
  其中 ，n：有n条数据，
              d：每条数据有d个特征。
• 标签集：
  $$y={\left(y_1,y_2,\cdots y_n\right)}^T$$
  其中y∈{−1,+1}y \in\{ - 1, + 1\}y∈{−1,+1}，-1为负样本，+1为正样本；
  也有的表示为y∈{0,1}y \in \{ 0,1\}y∈{0,1} ，0为负样本，1为正样本；
  但后面有关算法的推导主要是以y∈{−1,+1}y \in\{ - 1, + 1\}y∈{−1,+1}来表示的。

参数表示

这里的参数表示为：

$$\omega ={\left({\omega }_0,{\omega }_1,{\omega }_2,\cdots ,{\omega }_n\right)}^T$$

其中 ${\omega }_0$（也叫做b）对应X中的1，有时 $\omega$ 也表示除${\omega }_0$以外的参数。