本文介绍了机器学习中的基本概念，包括特征、标签、样本和数据集的定义。训练集用于模型训练，测试集则用于评估模型性能。特征向量表示对象的属性，而目标是找到最优函数来近似特征向量与标签之间的映射关系。学习算法Lambda负责寻找这个最优函数，通过计算预测结果的准确率来评估模型表现。
- 特征：待学习对象的属性
- 标签：对待学习对象的某一指标的预测
- 样本：标记好特征以及标签的的待学习对象
- 数据集：一组样本构成的集合
- 训练集：用来训练模型的样本集合
- 测试集：用来检验模型好坏的样本集合
- 特征向量：表示一个待学习对象所有特征构成的 D D D维向量 x = ˙ [ x 1 , x 2 , . . . , x D ] T x\dot=[x_1,x_2,...,x_D]^T x=˙[x1,x2,...,xD]T
假设训练集 D D D由 N N N个样本组成，其中每个样本都是独立同分布的，即独立地从相同的数据分布中抽取的，记为
D = ˙ D\dot= D=
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
