主要術語
標籤：標籤是我們要預測的事物，即簡單線性迴歸中的 y 變數
特徵：特徵是輸入變數，即簡單線性迴歸中的 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個特徵，按如下方式指定：
x1, x2, …xN
在垃圾郵件檢測器示例中，特徵可能包括：
1.電子郵件文字中的字詞
2.發件人的地址
3.發件電子郵件的時段
4.電子郵件中包含“一種奇怪的把戲”這樣的短語
樣本：樣本是指資料的特定例項：X （ 我們採用粗體 X 表示它是一個向量 ）我們將樣本分為以下兩類：
有標籤樣本
無標籤樣本
有標籤樣本同時包括特徵和標籤。即：
labeled examples: { features, label } : ( 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。
無標籤樣本包含特徵，但不包含標籤。即：
unlabeled examples: { features, ? }: (x, ?)模型（ML）
模型定義了特徵和標籤之間的關係。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。我們先來介紹一下模型生命週期的兩個階段：
1.訓練是指建立或學習模型。也就是說，向模型展示有標籤樣本，讓模型逐漸學習特徵和標籤之間的關係。
2.推斷是指將訓練之後的模型應用於無標籤樣本。也就是說，使用經過訓練的模型做出有用的預測（y’)
迴歸與分類
迴歸模型可以預測連續值。例如，迴歸模型做出的預測可回答如下問題：
加利福尼亞州一棟房產的價值是多少？
使用者點選此廣告的機率是多少？
分類模型可預測離散值。例如，分類模型作出的預測可回答如下問題：
某個指定電子郵件是垃圾郵件還是非垃圾郵件？
這是一張狗、貓還是倉鼠圖片？
本作品採用《CC 協議》，轉載必須註明作者和本文連結