机器学习中的基础知识（入门中篇）

机器学习涉及到的知识有很多，我们在前面的文章中也给大家列举了大量的机器学习的概念，想要了解这些概念不是一个十分简单的事情，但是我们只要理解了这些我们就能够更好地去做机器学习工作，从而为人工智能服务。下面我们就给大家介绍一下机器学习中另外一部分的基础知识。

（1）标签就是在监督式学习中，样本的答案或结果。标注数据集中的每个样本包含一或多个特征和一个标签。

（2）标注样本包含特征和标签的样本。在监督式训练中，模型从标注样本中进行学习。

独立同分布不会改变的分布中获取的数据，且获取的每个值不依赖于之前获取的值。这是机器学习的理想情况，这是一种有用但在现实世界中几乎找不到的数学构建。

（3）最小二乘回归就是通过 L2 损失最小化进行训练的线性回归模型。

（4）线性回归就是对输入特征的线性连接输出连续值的一种回归模型。

（5）logistic 回归就是将 sigmoid 函数应用于线性预测，在分类问题中为每个可能的离散标签值生成概率的模型。尽管logistic回归常用于二元分类问题，但它也用于多类别分类问题。这种情况下，logistic回归叫作多类别logistic回归或多项式回归。

（6）对数损失函数就是二元 logistic 回归模型中使用的损失函数。

（7）损失就是度量模型预测与标签距离的指标，它是度量一个模型有多糟糕的指标。为了确定损失值，模型必须定义损失函数。线性回归模型通常使用均方差作为损失函数，而 logistic 回归模型使用对数损失函数。

（8）小批量就是在训练或推断的一个迭代中运行的整批样本的一个小的随机选择的子集。小批量的大小通常在 10 到 1000 之间。在小批量数据上计算损失比在全部训练数据上计算损失要高效的多。

（9）小批量随机梯度下降就是使用小批量的梯度下降算法。也就是，小批量随机梯度下降基于训练数据的子集对梯度进行评估。

（10）lambda就是正则化率的同义词。

（11）机器学习就是利用输入数据构建预测模型的项目或系统。该系统使用学习的模型对与训练数据相同分布的新数据进行有用的预测。机器学习还指与这些项目或系统相关的研究领域。

在这篇文章中我们给大家介绍了很多机器学习的概念，这些概念都是需要我们了解的，关于机器学习的概念我们就给大家介绍这么多了，希望这篇文章能够给大家带来实质性的帮助。