《零基础学机器学习》读书笔记三之基本机器学习术语

一、机器学习快速上手路径（续）

1.3 基本机器学习术语

1.3.1 特征

特征是机器学习中的输入，原始的特征描述了数据的属性。特征的维度指的是特征的数目。
把向量、矩阵和其他张量的维度统称为 阶，或者称为1D向量、2D矩阵、3D张量等。
”维“，主要指的就是数据集中特征X的数目。 特征维度越高，数据集越复杂。
张量是机器学习的数据结构，也就是程序中的数组。向量、矩阵都是张量的一种。向量张量是一个1D数组，矩阵张量是一个2D数组。

1.3.2 标签

标签，是机器学习要输出的结果，是我们视图预测的目标。机器学习要解决什么问题，标签就是什么。
一个有标签数据样本的格式：
(x₁,x₂,x₃;y)
机器推断出来的，称作预测标签y^’ (也叫y-hat）。
比较y和y^’的差异，也就是在评判机器学习模型的效果。
在无监督学习中，所有的样本都没有标签。

1.3.3 模型

模型将样本映射到预测标签y^’。
模型就是函数，是执行预测的工具。
函数由函数的内部参数定义。
在机器学习中，先确定模型的类型（也可以说是算法）；
选定算法之后，再确定模型的参数；
类型和参数都确定了，机器学习的模型也就最终确定了。