什麼是（監督式）機器學習？簡單來說，它的定義如下：
下面我們來了解一下機器學習的基本術語。
在簡單線性回歸中，標籤是我們要**的事物，即 y 變數。標籤可以是小麥未來的**、中顯示的動物品種、音訊剪輯的含義或任何事物。
在簡單線性回歸中，特徵是輸入變數，即 x 變數。簡單的機器學習專案可能會使用單個特徵，而比較複雜的機器學習專案可能會使用數百萬個特徵，按如下方式指定：
'>
在垃圾郵件檢測器示例中，特徵可能包括：
樣本是指資料的特定例項：x。（我們採用粗體 x 表示它是乙個向量。）我們將樣本分為以下兩類：
有標籤樣本同時包含特徵和標籤。即：
1labeled examples::(x,y)
我們使用有標籤樣本來訓練模型。在我們的垃圾郵件檢測器示例中，有標籤樣本是使用者明確標記為「垃圾郵件」或「非垃圾郵件」的各個電子郵件。
例如，下表顯示了從包含加利福尼亞州房價資訊的資料集中抽取的 5 個有標籤樣本：
housingmedianage
（特徵）
totalrooms
（特徵）
totalbedrooms
（特徵）
medianhousevalue
（標籤）
155612
1283
66900
197650
1901
80100
17720
17485700
141501
33773400
201454
32665500
無標籤樣本包含特徵，但不包含標籤。即：
1unlabeled examples::(x,?)
在使用有標籤樣本訓練了我們的模型之後，我們會使用該模型來**無標籤樣本的標籤。在垃圾郵件檢測器示例中，無標籤樣本是使用者尚未新增標籤的新電子郵件。
模型定義了特徵與標籤之間的關係。例如，垃圾郵件檢測模型可能會將某些特徵與「垃圾郵件」緊密聯絡起來。我們來重點介紹一下模型生命週期的兩個階段：
回歸模型可**連續值。例如，回歸模型做出的**可回答如下問題：
分類模型可**離散值。例如，分類模型做出的**可回答如下問題：
機器學習術語
本文的概念來自於周志華的西瓜書 機器學習 對機器學習的定義 機器學習致力於研究如何通過計算，利用經驗來改善系統自身效能。這裡的經驗就是資料 機器學習研究的主要內容 計算機上產生模型的演算法，即 學習演算法 機器學習的過程 首先需要大量的資料集合，然後通過機器學習演算法進行計算，產生乙個模型，利用這個...
機器學習 基礎術語
模型 指從資料當中學到的結果 維 代表樣本具有的特徵數 特徵 樣本的某乙個明確的屬性 向量 樣本的特徵的集合 標記 對於樣本所需求得的值 分類 代表 值為離散的 回歸 代表 值為連續的 二分類任務 標記的預期值只有兩個 多分類任務 標記的預期值有多個 聚類 將訓練集中的樣本分成若干組 簇 上述聚類中...
機器學習常用術語
機器學習作為人工智慧的乙個重要領域，我們有必要對其基本術語有清晰的理解 2 空間 就是表示 可能存在的取值 比如模型空間就是表示 所有可能的模型的取值 引數空間 表示 所有可能的引數 樣本空間表示 所有可能的樣本 3 樣本 是指資料集中的每一條單獨的資料。如沒有說明，會預設資料集中有n個樣本，用符號...