机器学习——分类和回归的专业术语

• 样本（sample） or 输入（input）：输入模型的数据点
• 预测（prediction） or 输出（output）:模型的输出结果
• 目标（target）：真实值
• 预测误差（prediction error） or 损失值（loss value）：模型预测结果与目标结果的距离
• **类别（class）：**分类问题中的供选择的一组标签
• 标签（label）：分类问题中的类别标注的具体例子
• 真值（ground-truth） or 标注（annotation）：数据集的所有目标，通常由人工收集
• 二分类（binary classification）：一种分类任务，每个输入样本都应该被划分到互斥的类别中
• **多分类（multiclass classification）：**一种分类任务，每个输入样本都应该被划分到两个以上的类别中，例如手写数字识别MNIST
• 多标签分类（multilabel classification）：一种分类任务，每个输入样本都可以分配多 个标签
• 标量回归（scalar regression）：目标是连续标量值的任务。预测房价就是一个很好的 例子，不同的目标价格形成一个连续的空间。
• 向量回归（vector regression）：目标是一组连续值（比如一个连续向量）的任务。如 果对多个值（比如图像边界框的坐标）进行回归，那就是向量回归。
• 小批量（mini-batch）：模型同时处理的一小部分样本（样本数通常 为 8~128）。样本数通常取 2 的幂，这样便于 GPU 上的内存分配。训练时，小批量 用来为模型权重计算一次梯度下降更新。