1.数据
机器学习首先要处理的就是大量的数据,比较经典的数据集是鸢尾花数据集。
鸢尾花数据集UCI Machine Learning Repository
每个样本有四个数据,sepal length、sepal width、petal length、petal width,这些术语的含义如图所示。鸢尾花分为三个种类Virginica、Versicolor、Setosa。
这个数据集中的数据都是比较规整的,实际的数据就未必这么完美了,会有很多极端值、缺陷值。
2.数据集
数据的整体就叫做数据集。
每一行数据称为一个样本,一朵花的数据也是一个样本,如下表所示:
除最后一列,每一列代表样本的一个特征,一般用一个矩阵表达这些数值,第i个样本表示为
,第i个样本第j个特征值表示为
,最后一列称为标记(label),第i个样本的标记写作
2代表Virginica 1代表Versicolor 0代表Setosa
我们用数学向量表达这些数据,其中数学上往往用列向量表示一个向量。
每个特征向量取转置矩阵,最后就构成了样本的全部特征值。
为方便起见,我这里只选择Versicolor、Virginica这两种鸢尾花的两个特征,画了一个散点图,在这事例中,使用一条直线作为分界线,就大致把两种花区分开了,这就是一个最简单的分类任务。在数据集中,每一个样本被称作一个实例,通常由特征向量表示。数据集中的样本用空间中的一个点表示,数据集中有几个特征,就使用几维度的空间,此空间为特征空间。分类任务的本质就是在特征空间切分,在高维空间同理。
特征有时候可能很抽象,比如在MINST数据集中,每一个手写数字都是一个28*28的图像,每一个图像就是一个样本,每个像素点都是一个特征,每个样本有28*28=784个特征,为了描述一个图像,就可以使用784个数据,每个数就代表从左上角到右下角的像素点对应的灰度值深浅,如果是彩色图像,特征会更多。