標籤：我們要預測的真實事物：y。基本線性迴歸中的y變數。
特徵：用於描述資料的輸入變數：Xi。基本線性迴歸中的{x1、x2、…xn}變數
樣本：資料的特定例項x0
有標籤樣本：同時包含特徵和標籤，我們使用有標籤樣本來訓練模型。
無標籤樣本：包含特徵但不包含標籤，用於對新資料作出預測。
模型：定義了特徵與標籤之間的關係，可將樣本對映到預測標籤：y’。由模型的內部引數定義，這些內部引數值是通過學習得到的
訓練：建立或學習模型
推斷：將訓練後的模型應用於無標籤樣本
迴歸：迴歸模型可預測連續值
分類：分類模型可預測離散值
L2損失=平方誤差=（觀測值-預測值)^2
=(y-y‘)^2
線性關係
y’=b+w1x1
y’指的是預測標籤（理想輸出值）。
b指的是偏差（y 軸截距）。而在一些機器學習文件中，它稱為 w0。
w1 指的是特徵 1 的權重。權重與上文中用 m 表示的“斜率”的概念相同。
x1 指的是特徵（已知輸入項）。
訓練模型表示通過有標籤樣本來學習（確定）所有權重和偏差的理想值。在監督式學習中，機器學習演算法通過以下方式構建模型：檢查多個樣本並嘗試找出可最大限度地減少損失的模型；這一過程稱為經驗風險最小化