什么是（监督）机器学习？简而言之，它是以下几点：
- ML系统学习如何组合输入以产生对从未见过的数据的有用预测。
标签
一个标签是我们预测物品的属性，比如变量y在简单线性回归变量。标签可以是小麦的未来价格，图片中显示的动物的种类，音频剪辑的含义或任何东西。
特征
一个特征是一个输入变量 -x简单线性回归中的变量。一个简单的机器学习项目可能会使用单一功能，而更复杂的机器学习项目可能会使用数百万个功能，具体如下：
{X1，X2，。。。Xñ}
在垃圾邮件检测器示例中，功能可能包括以下内容：
- 电子邮件中的文字
- 寄件人地址
- 发送电子邮件的时间
- 电子邮件包含短语“一个奇怪的把戏”。
例子
一个例子是数据的特定实例x。（我们把 X粗体，以表明它是一个载体。）我们分手的例子分为两类：- 标记的例子
- 未标记的例子
labeled examples: {features, label}: (x, y)
使用标记的示例来训练模型。在我们的垃圾邮件检测器示例中，标记的示例将是用户明确标记为“垃圾邮件”或“非垃圾邮件”的单个电子邮件。
例如，下表显示了来自 包含加利福尼亚州房价信息的数据集中的 5个标记示例：
| 住房中医年龄 （功能） | totalRooms （功能） | totalBedrooms （功能） | medianHouseValue （标签） |
|---|---|---|---|
| 15 | 5612 | 1283 | 66900 |
| 19 | 7650 | 1901 | 80100 |
| 17 | 720 | 174 | 85700 |
| 14 | 1501 | 337 | 73400 |
| 20 | 1454 | 326 | 65500 |
unlabeled examples: {features, ?}: (x, ?)
一旦我们用标记示例对我们的模型进行了训练，我们就可以使用该模型来预测未标记示例上的标签。在垃圾邮件检测器中，未标记的示例是人类尚未标记的新电子邮件。
模型
模型定义了要素和标签之间的关系。例如，垃圾邮件检测模型可能会将某些功能强烈地与“垃圾邮件”相关联。让我们强调模型的两个阶段：- 训练意味着创造或学习模型。也就是说，您将显示标有示例的模型，并使模型逐渐学习特征与标签之间的关系。
- 预测意味着将训练的模型应用于未标记的例子。也就是说，你使用训练好的模型进行有用的预测（
y'）。例如，在推理过程中，您可以预测medianHouseValue新的未标记示例。
回归与分类
一个回归模型预测连续值。例如，回归模型预测回答如下问题：- 加州的房子价值是多少？
- 用户点击此广告的概率是多少？
- 给定的电子邮件是垃圾邮件还是垃圾邮件？
- 这是一只狗，一只猫还是一只仓鼠的图像？
查看原文：http://www.mtcnn.com/?p=109
