机器学习的数据

数据

数据整体的信息

我们整个数据就可以表示成这样

• 上图中的数据整体叫数据集(data set)
• 图中每一行数据称为一个样本(sample)。
• 除最后一列，每一列表达样本的一个特征(feature)
• 最后一列称为标记（label）

除了第一行和最后一列以外的信息就是我们所需要的数据， 通常数据我们用矩阵X来表示， 最后一列的标记我们用y像两个来表示

X矩阵中第i个样本行写作$X^{(i)}$， 第i个样本第j个特征值$X_j^{(i)}$。y向量中第i个样本的标记写作$y^{(i)}$

每个样本的特征所组成的向量称为特征向量

我们通常表示向量都是用列向量的形式表示

在这里我们选择数据集中前两个特征的数据， 并用可视化图表的形式表示出来， 这两个特征所组成的是一个二维空间， 样本中每个特征的值所组成的向量就代表该空间中的每个点， 那么这个空间我们就称之为特征空间（feature space）

分类的本质就是在特征空间切分。当我们输入一个数据的时候， 我们把它在特征空间中进行表示，然后根据新输入数据的落点区域去判断去花的种类

特别强掉的是， 由于可视化的需要， 所以很多时候我们把数据降到两维， 因为通常对于一个数据而言都是具有非常多的特征的， 比如上面的鸢尾花数据集中， 其中就有四个特征， 那么我们其实是在四维的空间中进行切分， 那么这是无法可视化的， 所以我们通常会采用降维的方式进行数据分类， 最后我们再把低维空间得到的结论推广到高维空间， 这在高维空间中都同理。

在机器学习的领域中特征可以是一个非常抽象的一个事物， 比如下面这个图象识别数据集中的一个样本5， 它是一个灰度图像， 它的特征值相比于彩色图像特征少一点

在这里：

• 图象， 每一个像素点都是特征
• 一个图像的特征的数目：比如28*28的图像有28*28=784个特征
• 如果是彩色图像则特征更多

在机器学习领域中， 特征不都是有语义的， 也有可能是非常抽象的。