本文深入浅出地解释了机器学习的基本概念，包括有监督学习、无监督学习和半监督学习的区别，以及模型、特征、标签和样本的概念。探讨了训练和推断的过程，以及回归和分类模型的应用。
(监督式）机器学习定义：
机器学习系统通过学习如何组合输入信息来对从未见过的数据做出有用的预测
标签是我们要预测的事物，即简单线性回归中的 y 变量。
特征是输入变量，即简单线性回归中的 x 变量。
样本是指数据的特定实例：x
- 有标签样本
- 无标签样本
模型定义了特征与标签之间的关系。
训练是指创建或学习模型。也就是说，向模型展示有标签样本，让模型逐渐学习特征与标签之间的关系。
推断是指将训练后的模型应用于无标签样本。也就是说，使用经过训练的模型做出有用的预测 (y’)。
回归模型可预测连续值
分类模型可预测离散值
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
