本文主要探讨了机器学习中的核心概念，包括监督学习、非监督学习、训练集、测试集、分类、回归、特征值、特征向量、正例、反例、线性和非线性等。介绍了实例集、目标概念、训练集和测试集的作用，以及正例和反例在模型优化中的角色。同时，阐述了特征向量和特征值的概念，并分别定义了分类和回归的目标。最后，讨论了有监督、无监督和半监督学习的区别，以及线性和非线性模型。通过具体例子说明了机器学习的步骤框架和评估指标。
上一篇博客对机器学习有了一个简单的介绍，这一篇博客我来说说机器学习中的一些基本的常见的概念。说到机器学习的概念，我相信有简单了解机器学习的人都会说得出一两个或者更多关于机器学习的基本概念，比如：监督学习，非监督学习，回归，分类，线性，非线性，特征值，特征向量，训练集，测试集，标签label，正例，反例等等一些关于机器学习的概念或者可以说有些关于数学的概念都听过或见过。下面我来详细说一说这些概念。
说到概念，我首先来说说机器学习中的概念学习，就像我们现在要学习的机器学习一样，首先要机器学习概念即我们要知道什么是机器学习一样的道理。机器学习中的概念学习是指从有关某个布尔函数的输入和输出训练样例中推断出该布尔函数。
机器学习的常见基本概念有（就是上面说的那些）：监督学习，非监督学习，训练集，测试集，分类，回归，特征值，特征向量，正例，反例，线性，非线性，标签label。下面就来解释解释它们。
实例集（X）：概念定义的实例集合。
目标概念（C）：待学习的概念或函数或者说
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
