什麼是（監督）機器學習？簡而言之，它是以下幾點：

• ML系統學習如何組合輸入以產生對從未見過的資料的有用預測。

我們來探討基本的機器學習術語。

標籤

一個 標籤是我們預測物品的屬性， 比如變數y在簡單線性迴歸變數。標籤可以是小麥的未來價格，圖片中顯示的動物的種類，音訊剪輯的含義或任何東西。

特徵

一個 特徵是一個輸入變數 -  x簡單線性迴歸中的變數。一個簡單的機器學習專案可能會使用單一功能，而更復雜的機器學習專案可能會使用數百萬個功能，具體如下： {X1，X2，。。。Xñ} 在垃圾郵件檢測器示例中，功能可能包括以下內容：

• 電子郵件中的文字
• 寄件人地址
• 傳送電子郵件的時間
• 電子郵件包含短語“一個奇怪的把戲”。

例子

一個 例子是資料的特定例項 x。（我們把  X粗體，以表明它是一個載體。）我們分手的例子分為兩類：

• 標記的例子
• 未標記的例子

甲 標記的例子包括（多個）特徵和標籤。那是： labeled examples: {features, label}: (x, y) 使用標記的示例來 訓練模型。在我們的垃圾郵件檢測器示例中，標記的示例將是使用者明確標記為“垃圾郵件”或“非垃圾郵件”的單個電子郵件。 例如，下表顯示了來自 包含加利福尼亞州房價資訊的

資料集中的 5個標記示例：

住房中醫年齡 （功能）	totalRooms （功能）	totalBedrooms （功能）	medianHouseValue （標籤）
15	5612	1283	66900
19	7650	1901	80100
17	720	174	85700
14	1501	337	73400
20	1454	326	65500

一個 未標記的例子包含的特徵，但不是標籤，如下：   unlabeled examples: {features, ?}: (x, ?) 一旦我們用標記示例對我們的模型進行了訓練，我們就可以使用該模型來預測未標記示例上的標籤。在垃圾郵件檢測器中，未標記的示例是人類尚未標記的新電子郵件。

模型

模型定義了要素和標籤之間的關係。例如，垃圾郵件檢測模型可能會將某些功能強烈地與“垃圾郵件”相關聯。讓我們強調模型的兩個階段：

• 訓練意味著創造或學習模型。也就是說，您將顯示標有示例的模型，並使模型逐漸學習特徵與標籤之間的關係。
• 預測意味著將訓練的模型應用於未標記的例子。也就是說，你使用訓練好的模型進行有用的預測（y'）。例如，在推理過程中，您可以預測medianHouseValue新的未標記示例。

迴歸與分類

一個 迴歸模型預測連續值。例如，迴歸模型預測回答如下問題：

• 加州的房子價值是多少？
• 使用者點選此廣告的概率是多少？

一個 分類模型預測離散值。例如，分類模型可以做出預測來回答以下問題：

• 給定的電子郵件是垃圾郵件還是垃圾郵件？
• 這是一隻狗，一隻貓還是一隻倉鼠的影象？

關鍵術語

分類模型	例
特徵	推理
標籤	模型
迴歸	訓練

檢視原文： http://www.mtcnn.com/?p=109