机器学习实战笔记 - 机器学习基础

关键术语

1. 特征：一些属性值，例如 体重，羽翼... 我们统称为特征，也称作属性。

2.目标变量：目标变量是机器学习算法的预测结果。我们通常将目标变量成为类别，

   并假定分类问题只存在有限个数的类别。

3.数据集：通常使用两套独立的样本集：训练数据和测试数据。使用训练样本集作为算法的输入，

   训练完成之后输入测试样本。输入测试样本时，并不提供测试样本的目标变量，由程序员决定样本属于哪个类别。

4.分类：机器学习的分类算法，主要任务是将实例数据划分到合适的分类中。

5.回归：机器学习的另一个任务是回归，它主要是用于预测数值型数据。（例如：数据拟合曲线：通过给定数据点的最有拟合曲         线）。

6.监督学习：分类和回归属于监督学习，之所以称为监督学习，是因为这类算法必须知道预测什么，即目标变量的分类信息。

7.无监督学习：与监督学习对应的是无监督学习，此时数据没有类别信息，也不会给定目标值。

8.聚类：无监督学习中，将数据