目录

标签 label

特性 features

样本

模型 model

回归与分类

---

标签 label

标签是指我们要预测的内容，即简单线性回归中的 y 变量。标签可以是小麦的未来价格、图片中显示的动物类型、音频剪辑的含义，也可以是其他任何信息。

特性 features

特征是输入变量，即简单线性回归中的 x 变量。一个简单的机器学习项目可能会使用单个功能，而更复杂的机器学习项目可以使用数百万个功能，如下所示：

样本

样本是指数据的特定实例：x。（我们将 x 显示为粗体，表示它是一个矢量。）

我们将示例分为两类：

• 有标签样本
• 无标签样本

有标签样本同时包含特征和标签。具体来说：

 labeled examples: {features, label}: (x, y)

  无标签样本包含特征，但不包含标签。具体来说：

  unlabeled examples: {features, ?}: (x, ?)

使用有标签样本训练模型后，我们便会使用该模型来预测无标签样本的标签。

举例：在垃圾邮件检测器示例中，

有标签样本是指用户明确标记为“垃圾邮件”或“不是垃圾邮件”的电子邮件。

特性是指项目中的多个功能，这些功能可能包括：

• 电子邮件文字中的字词
• 发件人的地址
• 发送电子邮件的时间
• 电子邮件中包含词组“一种奇怪的技巧”。

无标签样本是用户尚未添加标签的新电子邮件。

模型 model

模型定义了特征和标签之间的关系。例如，垃圾内容检测模型可能会将某些功能与“垃圾内容”紧密关联。我们重点介绍模型生命周期的两个阶段：

• 训练train是指创建或学习模型。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。

• 推断表示将经过训练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')。例如，在推理期间，您可以针对新的无标签样本预测 medianHouseValue。

回归与分类

回归模型可预测连续值。例如，回归模型做出的预测可回答如下问题：

• 加利福尼亚州一栋房子的价值是多少？

• 用户点击此广告的可能性有多大？

分类模型可预测离散值。例如，分类模型做出的预测可回答如下问题：

• 指定的电子邮件是垃圾邮件还是非垃圾邮件？

• 这是狗、猫还是仓鼠的图片？