机器学习2024.5.27 202101240079

1.数据（Data）：

• 数据是机器学习的基础，是模型学习的原始材料。它可以是各种形式的信息，如文本、图像、音频、视频、数值等。
• 在机器学习中，数据通常以特征（features）和标签（labels）的形式存在。特征描述了数据的属性或特性，而标签则通常是我们要预测或分类的目标。

2.数据集（Dataset）：

• 数据集是数据的集合，用于训练和评估机器学习模型。它通常包含多个样本（samples），每个样本都有一组特征和一个或多个标签。
• 数据集可以进一步细分为训练集、验证集和测试集（在某些情况下）。

3.训练集（Training set）

• 训练集是用于训练机器学习模型的数据集。在训练过程中，模型会学习从输入特征到输出标签的映射关系。
• 训练集应该包含足够多的样本和足够的多样性，以便模型能够学习到数据的内在规律和模式。
• 在训练过程中，模型会不断调整其内部参数（如权重和偏置），以最小化在训练集上的预测误差。

4.测试集（Test Set）

• 测试集是用于评估机器学习模型性能的数据集。它应该与训练集独立，即不包含任何在训练集中出现过的样本。
• 通过在测试集上评估模型的性能，我们可以了解模型对新数据的泛化能力。常见的评估指标包括准确率、召回率、F1分数、AUC-ROC等。
• 如果模型在测试集上的性能与在训练集上的性能相差较大（即出现过拟合现象），那么我们需要调整模型的复杂度或使用其他技术来提高其泛化能力。

5.验证集(Validation Set)

• 验证集用于在训练过程中调整模型的超参数（如学习率、批次大小、网络结构等）。这些超参数对模型的性能有很大影响，但无法通过训练过程自动优化。
• 在使用验证集时，我们通常会在训练过程中多次评估模型在验证集上的性能，并根据评估结果调整超参数。一旦找到最佳的超参数组合，我们就可以使用这些参数重新训练模型，并在测试集上评估其最终性能。

6.样本/示例：

• 定义：所研究对象的一个个体。在统计学和机器学习中，一个样本是数据集中的一条记录或观测值。
• 例：在分类问题中，每个用于训练或测试的图像、文本或数据点都可以被视为一个样本或示例。

7.属性：

• 定义：反映事件或对象在某方面的表现或性质的事项。它是对象的性质与对象之间关系的统称。
• 例：在描述一个水果时，其属性可能包括颜色（如红色、绿色）、大小（如直径）、形状（如圆形、椭圆形）等。
• 属性值（Attribute Value）：属性上的具体取值，如“红色”是颜色属性的一个取值。

8.属性空间：

• 定义：由所有属性张成的空间，也称为“样本空间”或“输入空间”。在这个空间中，每个样本或示例都对应一个点。
• 例：在二维属性空间中，如果属性是“身高”和“体重”，那么每个样本点（人）将由其身高和体重的特定值来定位。

9.特征向量：

• 定义：在机器学习中，特征向量是用来描述样本或示例的数值表示。它通常是一个包含多个数值的数组或列表，每个数值对应于样本的一个特征（即属性）。
• 例：在文本分类任务中，一个文本样本的特征向量可能包括词频、TF-IDF值或其他文本特征。对于图像数据，特征向量可能来自图像的像素值、颜色直方图或更复杂的特征提取方法（如卷积神经网络）。
• 特征空间的维数：特征的数目即为特征空间的维数。例如，如果一个特征向量包含10个特征，那么特征空间的维数就是10。