机器学习主要术语

1. （监督式）机器学习
   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。

2. 标签
   在简单线性回归中，标签是我们要预测的事物，即 y 变量。标签可以是小麦未来的价格、图片中显示的动物品种、音频剪辑的含义或任何事物。

3. 特征
   在简单线性回归中，特征是输入变量，即 x 变量。简单的机器学习项目可能会使用单个特征，而比较复杂的机器学习项目可能会使用数百万个特征，按如下方式指定：
   

4. 样本
   样本是指数据的特定实例：x。本分为以下两类：
   有标签样本：有标签样本同时包含特征和标签。我们使用有标签样本来训练模型。
   无标签样本：无标签样本包含特征，但不包含标签。在使用有标签样本训练了我们的模型之后，我们会使用该模型来预测无标签样本的标签。

5. 模型
   模型定义了特征与标签之间的关系。例如，垃圾邮件检测模型可能会将某些特征与“垃圾邮件”紧密联系起来。我们来重点介绍一下模型生命周期的两个阶段：
   (1)训练表示创建或学习模型。也就是说，您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。
   (2)推断表示将训练后的模型应用于无标签样本。也就是说，您使用训练后的模型来做出有用的预测 (y')。

6. 回归与分类
   回归模型可预测连续值。
   分类模型可预测离散值。

转载于:https://www.cnblogs.com/Corphish/p/8505880.html