AI: 机器学习必须懂的几个术语：Label、Feature、Model...

置顶 已于 2023-03-23 19:31:58 修改
阅读量7.8w 收藏 382
点赞数 104
文章标签： 深度学习 机器学习 人工智能
于 2020-02-11 21:12:00 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/HowieXue/article/details/104269039
版权

AI: 机器学习必须懂的几个术语：Label、Feature、Model...

1.标签 Label

标签：所预测的东东实际是什么（可理解为结论），如线性回归中的 y 变量，如分类问题中图片中是猫是狗（或图片中狗的种类）、房子未来的价格、音频中的单词等等任何事物，都属于Label。

（如一组图片，已经表明了哪些是狗，哪些是猫，这里Label就是分类问题中每一个类）
在这里插入图片描述

2.特征 Feature

特征是事物固有属性，可理解为做出某个判断的依据，如人的特征有长相、衣服、行为动作等等，一个事物可以有N多特征，这些组成了事物的特性，作为机器学习中识别、学习的基本依据。
在这里插入图片描述
特征是机器学习模型的输入变量。如线性回归中的 x 变量。
在这里插入图片描述
例如在垃圾邮件分类问题中，特征可能包括：

  • 电子邮件中是否包含 “ 广告、贷款、交易” 等短语
  • 电子邮件文本中的字词
  • 发件人的地址
  • 发送电子邮件的时段

其中机器学习重要步骤：特征提取就是通过多种方式，对数据的特征数据进行提取。一般，特征数据越多，训练的机器学习模型就会越精确，但处理难度也越大。

3.样本 Example

样本是指一组或几组数据，样本一般作为训练数据来训练模型

样本分为以下两类：

  • 有标签样本
  • 无标签样本

3.1有标签样本(labeled):

同时包含特征和标签
在这里插入图片描述
在监督学习中利用数据做训练时，有标签数据/样本（Labeled data）或叫有/无标记数据，就是指有没有将数据归为要预测的类别。

例如以下房价数据集：
在这里插入图片描述
其中包含特征：卧室数量等，最右边一列是标签：房价中间值
（注，因为该问题要预测未来房价走势，所以Label就是某条房屋数据中的房价）

3.2无标签样本(unlabeled)：

包含特征，但不包含标签

如以下数据集： 去掉了Label，但是一样有用（如用在测试训练后的模型，即训练好模型后，输入该数据，那到预测后的房价与原标签进行比较，得到模型误差）
在这里插入图片描述
在使用有标签样本训练模型之后，我们会使用该模型预测无标签样本的标签。在垃圾邮件检测器示例中，无标签样本是用户尚未添加标签的新电子邮件。

4.模型 Model

模型定义了特征与标签之间的关系，就是我们机器学习的一组数据关系表示，也是我们学习机器学习的核心

例如，垃圾邮件检测模型可能会将某些特征与“垃圾邮件”紧密联系起来。
模型生命周期的两个重要阶段：

  • 训练 Training是指创建或学习模型。也就是说，向模型展示有标签样本，让模型逐渐学习特征与标签之间的关系。

训练模型表示通过有标签样本来学习（确定）所有权重和偏差的理想值

  • 推断 Inference是指将训练后的模型应用于无标签样本。也就是说，使用经过训练的模型做出有用的预测 (y’)。

例如，模型训练好后，就可以使用模型进行Inference ，可以针对新的无标签样本预测房价medianHouseValue。
在这里插入图片描述

5.回归 Regression

回归就是我们数学学习的线性方程，是一种经典函数逼近算法。
在机器学习中，就是根据数据集，建立一个线性方程组，能够无线逼近数据集中的数据点，是一种基于已有数据关系实现预测的算法。

回归模型可预测连续值（线性）

例如，回归模型做出的预测可回答如下问题：

  • 某小区房价的趋势？
  • 用户点击此广告的概率是多少？
    在这里插入图片描述
    当机器学习模型最终目标（模型输出）是求一个具体数值时，例如房价的模型输出为25000，则大多数可以通过回归问题来解决。
    线性回归的好处在与模型简单，计算速度快，方便应用在分布式系统对大数据进行处理。
    线性回归还有个姐妹：逻辑回归（Logistic Regression），主要应用在分类领域

6.分类 Classification

顾名思义，分类模型可用来预测离散值

例如，分类模型做出的预测可回答如下问题：

  • 是/否问题，某个指定电子邮件是垃圾邮件还是非垃圾邮件？
  • 图片是动物还是人？
  • 垃圾分类
    在这里插入图片描述

当机器学习模型最终目标（模型输出）是布尔或一定范围的数时，例如判断一张图片是不是人，模型输出0/1：0不是，1是；又例如垃圾分类，模型输出1-10之间的整数，1代表生活垃圾，2代表厨余垃圾。。等等，这类需求则大多数可以通过分类问题来解决。

7.机器学习算法地图

机器学习算法多种多样，许多情况下，建模和算法设计是Designer所选择的，具体采用哪种算法也没有一定要求，根据实际具体问题具体分析。
（单击可以放大图片）
在这里插入图片描述

在这里插入图片描述

博主热门文章推荐：

一篇读懂系列：

LoRa Mesh系列：

网络安全系列：

嵌入式开发系列：

AI / 机器学习系列：

【机器学习】样本、特征、标签：构建智能模型的三大基石
m0_74195174的博客
03-13 5417
本文将深入探讨样本、特征和标签的概念、重要性及其在机器学习中的协同作用，旨在帮助读者更好地理解它们对于构建高效、准确的机器学习模型所起到的关键作用。
大语言模型应用指南：机器学习的过程
AI天才研究院
06-27 486
在过去的几年里,自然语言处理(NLP)领域取得了长足的进步,很大程度上要归功于大型语言模型(Large Language Models, LLMs)的出现和发展。LLMs是一种基于深度学习的技术,能够从大量文本数据中学习语言模式和语义关系,从而生成看似人类编写的自然语言输出。随着计算能力的不断提高和海量数据的积累,训练大规模语言模型成为可能。这些模型在广泛的自然语言处理任务中表现出色,包括机器翻译、文本摘要、问答系统、内容生成等,展现出令人惊叹的语言理解和生成能力。
机器学习中的标签是什么？
热门推荐
gu1857035894的博客
03-10 1万+
在机器学习中，标签（label）是指一个实例的正确输出或类别，也可以称为目标变量（target variable）或响应变量（response variable）。通常情况下，数据集包含两部分：特征和标签。特征是用于描述实例的属性或特征，而标签则是用于训练和评估机器学习模型的目标变量。例如，在图像分类问题中，特征可能是像素值或特征描述符，标签则是图像的类别，如猫、狗或鸟等。
【 如何理解并区分机器学习中的标签（Label）和特征（Feature）？】
qq_44283562的博客
07-24 3092
如何理解并区分机器学习中的标签（Label）和特征（Feature）？
人工智能中的特征是什么？
金石软件
02-26 1102
在人工智能中，特征（feature）是指从原始数据中提取出的、能够代表数据关键信息并用于模型训练的属性或变量。特征通常是对原始数据的抽象或转换，目的是捕捉数据中的模式、结构或相关性，从而帮助机器学习模型更有效地学习和预测。简单来说，特征是原始数据经过提炼后的结果，能够突出对任务有用的信息，同时去除冗余或无关的部分。特征是从原始数据中提取的、能够代表数据关键信息的抽象表示。与原始数据相比，特征更简洁、更有针对性，能够提高模型的训练效率和预测准确性。
机器学习之特征选择（Feature Selection）
TwcatL_tree
04-09 6235
本文讲了过滤法、嵌入法和包装法三种特征选择方法。三种方法中过滤法最为简单快速，需要的计算时间也最短，但是也较为粗略，实际应用过程中，通常只作为数据的预处理，剔除掉部分明显不需要的特征，然后使用其他方法进一步特征选择。嵌入式和包装法更为精确，更适合具体到算法中去调整。计算量也较大，相应的运行时间也比较长。当数据量比较大时，优先使用方差过滤和互信息法对数据进行预处理，然后在使用其他的特征选择方法。使用逻辑回归时，优先使用嵌入法。使用支持向量机时，优先使用包装法。
机器学习之基本概念 - 特征、标签、样本
分享技术人生的学习笔记和过往心得，与志同道合者共同进步
01-09 1569
机器学习之基本概念 - 特征、标签、样本
机器学习中的特征是什么？机器学习知识点详解
gu1857035894的博客
03-10 5850
在机器学习中，特征（feature）指的是描述一个实例的属性或特征，也可以称为自变量（independent variable）或输入变量（input variable）。特征是机器学习中非常重要的概念，因为它们是训练和评估机器学习模型的基础。特征可以是任何类型的数据，包括数字、文本、图像和音频等。
AI 高手之路 10：机器学习概览——AI 学习的“路线图”
最新发布
海棠AI实验室
03-24 935
人工智能（AI）领域正在快速发展，而机器学习（Machine Learning, ML）作为AI的重要分支，被广泛应用于从图像识别到金融预测的各种场景中。许多初学者都想要迈入机器学习，但面对各式各样的术语和复杂的算法，不免感到迷茫。幸运的是，机器学习并没有想象中那么遥不可及。它有其清晰的定义、分类，以及一套通用的工作流程。因此，本篇文章的目标是用深入浅出的方法，帮你建立机器学习的直观认知，并通过代码示例，带你逐步走向实践能力。
带你从入门到精通——机器学习（一. 机器学习概述）
2401_86480334的博客
12-23 1227
人工智能（Artificial Intelligence，AI）是智能学科重要的组成部分，它企图了解智能的实质，并生产出一种新的、能以与人类智能相似的方式做出反应的智能机器。通俗的理解就是尝试使用机器模拟和代替人类的各种行为。机器学习（Machine Learning，ML）是实现人工智能的一种途径，机器学习是不显式编程地赋予计算机能力的研究领域，它利用算法解析数据，从数据中获取规律并学习，然后对现实世界中的事件做出决策或预测。深度学习（Deep Learning，DL）也叫神经网络，是实现机器学习的。
机器学习在医疗健康领域的应用：机器学习在医疗健康领域的应用是什么？
AI天才研究院
10-10 1148
随着人口老龄化的加速发展，对医疗的依赖性增强，越来越多的人开始关注自身健康状况，希望可以通过健康管理的方式提高生活质量。然而，随着现代医疗技术的迅猛发展，医疗机构及其人员在进行诊断、治疗、监测等过程中的效率显著降低，整个流程耗费时间长，导致患者的耐受性下降。2020年全球新冠肺炎疫情爆发后，疾病的传染性较强，已经影响到医院和普通人的生命健康。因此，近几年以来，医疗行业面临的挑战是如何提升医疗服务的效率、增加患者的满意度，并通过智能化手段进行预防和减少风险。
机器学习特征选择和特征提取
01-04
机器学习特征选择和特征提取，介绍了常见的特征处理方法
笔记：机器学习的工作流程
jeffliu123的博客
09-01 3680
本文学习如何思考机器学习问题。机器学习(ML)不仅关于数学和建模，而且关于选择问题的设置，识别客户需求和长期目标。本文的组织如下: 1.通过识别关键利益相关者，选择正确的度量指标，建立机器学习问题的框架。 2.因为ML是关于数据的，将讨论与数据相关的不同挑战。 3.在解决ML问题时如何组织数据集，以确保创建的模型在新数据上表现良好。 4.如何利用不同的工具来确定模型的局限性。......
机器学习特征-学习篇
qq_38925911的博客
09-12 2102
特征是事物可供识别的特殊的征象或标志在机器学习中，特征是用来描述样本的属性或观测值的变量。它们可以是任何类型的数据，包括数字、文本、图像、音频等。特征是训练和评估机器学习模型的基础。好的特征选择和提取能够显著提高模型的性能和准确度。对一个学习任务而言，有些特征可能很有用，另一些可能没什么用对当前任务有用的属性称为“相关特征”、没用的属性称为“无关特征”。从给定的特征集合中选出相关特征子集的过程称为“特征选择”。有经验的人往往只需要看看根蒂、听听敲声就知道是否好瓜。
机器学习——特征工程
nahnah_的博客
05-14 1521
特征工程
特征工程9大方法
chunyang的博客
03-01 3782
特征工程是机器学习和数据分析中不可或缺的环节。它能够提高模型性能、降低过拟合风险、处理数据质量问题，同时改善数据表示和计算效率。正确应用特征工程可以使机器学习模型更加准确。以下是特征几个方面的重要性：提高模型性能：良好的特征工程可以显著提高机器学习模型的性能。通过选择、转换和创建适当的特征，可以使模型更好地捕捉数据中的模式和关系，从而提高预测准确性。降低过拟合风险：特征工程有助于减少过拟合的风险。
机器学习常见术语
Vulcan_S的博客
03-19 2555
机器学习常见术语及解释，非常全
机器学习的特征究竟是什么
weixin_34082854的博客
05-01 476
特征究竟是什么 神经网络中的权值是什么 神经网络的结构又是什么 机器学习的模型是什么 参数是什么 这一切都是现实世界在算法中的倒影 机器学习的根本就是要找到这个倒影 我们用模型去映射这个现实世界 好像以前做牙齿矫正 要做一个石膏模型 用一个石膏放在嘴里，然后取出来就可以做出牙齿的模型 机器学习也是如此，我们用一个模型（石膏）去做成牙齿的形状，牙齿就是他的数据，牙齿的形状就是参数。 如果模型不好 比...
初学机器学习 术语label feature example
kiminsa的博客
06-07 2025
初学机器学习1 术语label feature example 1、标签 label 即所要预测的结果是什么，如回归结果的y，分类问题中的分类结果，每一个类。 2.特征feature 事物的固有属性，做出判断的依据。如鸢尾花分类问题中，花瓣、花蕊等。一个事物具有N个特征，这些组成了事物的特性，作为机器学习中识别、学习的基本依据。 特征是机器学习的输入变量，如线性回归中的x。 3.样本example 分为有标签样本和无标签样本 有标签样本 同时包含特征和标签 如房价预测问题，房屋年龄、房屋大小、房屋价格这三个
评论 8
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

HowieXue

求打赏~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值