机器学习(二)基本概念

       上一篇博客对机器学习有了一个简单的介绍，这一篇博客我来说说机器学习中的一些基本的常见的概念。说到机器学习的概念，我相信有简单了解机器学习的人都会说得出一两个或者更多关于机器学习的基本概念，比如：监督学习，非监督学习，回归，分类，线性，非线性，特征值，特征向量，训练集，测试集，标签label，正例，反例等等一些关于机器学习的概念或者可以说有些关于数学的概念都听过或见过。下面我来详细说一说这些概念。

       说到概念，我首先来说说机器学习中的概念学习，就像我们现在要学习的机器学习一样，首先要机器学习概念即我们要知道什么是机器学习一样的道理。机器学习中的概念学习是指从有关某个布尔函数的输入和输出训练样例中推断出该布尔函数。

       机器学习的常见基本概念有（就是上面说的那些）：监督学习，非监督学习，训练集，测试集，分类，回归，特征值，特征向量，正例，反例，线性，非线性，标签label。下面就来解释解释它们。

       实例集（X）：概念定义的实例集合。

       目标概念（C）：待学习的概念或函数或者说