【机器学习】专业名词解释 202107090086

1. 数据：
   • 在机器学习中，数据是指机器学习算法的输入和输出。
   • 数据可以是各种类型的信息，如文本、图像、音频、视频、传感器数据等。
   • 数据在机器学习中扮演着非常重要的角色，因为它是训练模型和进行预测的基础。
2. 数据集：
   • 数据集指的是用于训练和评估机器学习模型的数据集合。
   • 数据集由一组样本组成，每个样本包含一个或多个特征和一个或多个标签（也称为目标变量）。
   • 数据集分为训练集、验证集和测试集。
3. 训练集：
   • 训练集是用于训练机器学习模型的数据集合。
   • 训练集的作用在于通过对样本数据的学习，来构建一个能够对未知数据进行预测、分类或推断的模型。
   • 训练集通常占据数据集的大部分。
4. 测试集：
   • 测试集用于检验最终选择最优的模型的性能如何。
   • 在机器学习和模式识别等领域中，测试集与训练集和验证集一起，将样本分成独立的三部分。
   • 测试集不能用于模型训练或调整，以避免对模型评估的偏差。
5. 验证集：
   • 验证集用于确定网络结构或者控制模型复杂程度的参数。
   • 它对训练集构建的机器学习模型进行无偏差估计，确保评估的最优模型是可靠的。
6. 样本/示例：
   • 样本是用于算法学习或算法评估的数据或数据实例。
   • 例如，在垃圾电子邮件分类中，样本是用来让算法学习和测试的电子邮件集合。
7. 属性：
   • 属性是描述事物在某个方面的具体表现，又称特征。
   • 在数据中的表现形式为数据集的某一列，一个特征表示一列数据。
8. 属性空间：
   • 属性空间是属性的所有可能取值组成的集合。
   • 如果属性是多维度的，则属性空间是多维度的集合。
9. 特征向量：
   • 特征向量是与样本关联的一组属性，通常用向量表示。
   • 例如，在鸢尾花分类问题中，萼片长度、萼片宽度、花瓣长度、花瓣宽度就是特征，它们组成了一个特征向量。