Google机器学习系列 - 监督学习

🔍 Google机器学习核心概念精讲（零基础入门版）

Google机器学习概念(1)-主要术语，掌握监督学习的底层逻辑

---

一、核心概念全景图

▲ 监督学习四大基石：标签→特征→样本→模型

---

二、基础概念详解

1. 监督学习本质

✅ 定义
通过标记数据集训练算法，使模型能对未知数据做出准确预测的机器学习范式
✅ 典型场景

• 垃圾邮件识别（分类任务）
• 房价预测（回归任务）

2. 标签（Label）

# 标签的两种形态示例
分类标签 = ["垃圾邮件", "正常邮件"]  # 离散型
回归标签 = [320, 450, 280]       # 连续型

✅ 关键特性

• 预测目标的真实值（y）
• 必须由人工标注或明确测量获得

3. 特征（Feature）

# 房价预测特征示例
特征矩阵 = {
    "房龄": [5, 10, 3],
    "房间数": [3, 5, 2],
    "卧室数": [2, 3, 1]
}

✅ 黄金法则

• 特征应满足MECE原则（相互独立，完全穷尽）

• 数值型特征需要标准化（如Z-score标准化）

4. 样本（Sample）

房龄	房间数	卧室数	房价（万元）	样本类型
5	3	2	320	有标签样本
10	5	3	？	无标签样本

▲ 有标签样本=特征+标签
▲ 无标签样本=仅有特征

5. 模型（Model）
✅ 两大核心阶段

• 训练阶段：建立特征与标签的映射关系
• 推理阶段：预测无标签样本的标签值

三、分类 vs 回归

	分类模型	回归模型
输出类型	离散值（猫/狗）	连续值（房价）
评价指标	准确率、F1-score	MSE、R²
典型算法	逻辑回归、决策树	线性回归、随机森林
应用场景	图像识别、情感分析	销量预测、风险评估

▲ 颜色说明：红色表示离散输出，绿色表示连续输出

四、模型训练流程

▲ 完整训练流程需经历

数据准备
→ 特征处理
→ 模型迭代 → 应用部署

五、系统架构基础
✅ 四大核心组件

知识库：存储已学习的规律（如决策树规则）
学习模块：通过梯度下降等算法更新知识库
执行模块：将新知识应用于预测任务
反馈机制：根据预测结果优化知识库
六、特征工程基础
✅ 预处理三要素

• 缺失值处理：删除/均值填充/KNN填充
• 异常值处理：3σ原则/箱线图检测
• 数据转换：标准化/归一化/离散化