机器学习（一）（基本概念的梳理）（西瓜书学习笔记）

一批西瓜的数据：

A1（色泽=青绿；根蒂=蜷缩；敲声=浊响）

A2（色泽=乌黑；根蒂=稍蜷；敲声=沉闷）

A3（色泽=浅白；根蒂=硬挺；敲声=清脆）

A1+A2+A3叫做数据集（data set）

以A1为例：

A1叫做样本（sample）/示例（instance）

A1中的“色泽”叫做属性（attribute）

A1中的“青绿”叫做属性值（attribute value）

以这个数据集为例，由色泽、根蒂和敲声这三个属性组成，而这三个属性张成的一个三维空间就叫做属性空间（attribute space）

由于空间中的每一个点对应一个坐标向量，因此我们把一个示例（instance）叫做一个特征向量（feature vector）

 

一般地，用（,）表示第i个样例，其中，y是示例的标记，y是所有标记的集合，也叫作标记空间（label space）或输出空间

分类（classification）：预测的是离散值，例如“好瓜”、“坏瓜”，特别地，对只涉及两个类别的“二分类（binary classification）”，通常其中一个称为“正类（positive class）”，另一个叫做“反类（negative class）”。涉及多个类时，则称为“多分类（multi-class classification）”

回归（regression）：预测的是连续值，；例如西瓜的成熟度0.95、0.36等

 

学习模型后，使用其进行预测的过程叫做测试（testing），被测试的样本叫做测试样本（testing sample）

对西瓜做聚类（clustering），即将训练集中的西瓜分成若干组，每个组称为一个簇（cluster）;这些自动形成的簇可能对应一些潜在的概念的划分，例如“本地瓜”、‘外地瓜’等，且这样的概念我们事先是不知道的，而且学习过程中使用的训练样本不能拥有标记信息。

根据训练数据是否拥有标记，可将学习任务分为两大类：“监督学习（supervised learning）（eg.分类和回归）”和“无监督学习（unsupervised learning）（eg.聚类）”

学得模型适用于新样本的能力称为泛化（generalization）能力