机器学习中的一些易混淆术语

机器学习的术语机器学习领域非常广泛，而且因为有许多科学家来自其他的研究领域，因此学科的交叉现象比较严重。很多似曾相识的术语和概念被重新认识或者定义，名称可能会有所不同。为方便起见，下面精选了常用术语及其同义词，希望对大家阅读本书和其他人工智能书籍有所帮助。

• 训练样本：表中的行，代表数据集的观察、记录、个体或者样本（在多数情况下，样本指训练样本集）。
• 训练：模型拟合，对参数型模型而言，类似参数估计。
• 特征，缩写为x：指数据表或矩阵的列。与预测因子、变量、输入、属性或协变量同义。
• 目标，缩写为y：与结果、输出、响应变量、因变量、分类标签和真值同义。
• 损失函数：经常与代价函数同义。有时也被称为误差函数。在有些文献中，术语损失指的是对单个数据点进行测量的损失，而代价是对整个数据集进行测量（平均或者求和）的损失。

---

摘自：塞巴斯蒂安等的《Python机器学习（原书第三版）》