什麼是（監督）機器學習？簡而言之，它是以下幾點：
- ML系統學習如何組合輸入以產生對從未見過的數據的有用預測。
標籤
一個標籤是我們預測物品的屬性，比如變量y在簡單線性迴歸變量。標籤可以是小麥的未來價格，圖片中顯示的動物的種類，音頻剪輯的含義或任何東西。
特徵
一個特徵是一個輸入變量 -x簡單線性迴歸中的變量。一個簡單的機器學習項目可能會使用單一功能，而更復雜的機器學習項目可能會使用數百萬個功能，具體如下：
{X1，X2，。。。Xñ}
在垃圾郵件檢測器示例中，功能可能包括以下內容：
- 電子郵件中的文字
- 寄件人地址
- 發送電子郵件的時間
- 電子郵件包含短語“一個奇怪的把戲”。
例子
一個例子是數據的特定實例x。（我們把 X粗體，以表明它是一個載體。）我們分手的例子分爲兩類：- 標記的例子
- 未標記的例子
labeled examples: {features, label}: (x, y)
使用標記的示例來訓練模型。在我們的垃圾郵件檢測器示例中，標記的示例將是用戶明確標記爲“垃圾郵件”或“非垃圾郵件”的單個電子郵件。
例如，下表顯示了來自 包含加利福尼亞州房價信息的數據集中的 5個標記示例：
| 住房中醫年齡 （功能） | totalRooms （功能） | totalBedrooms （功能） | medianHouseValue （標籤） |
|---|---|---|---|
| 15 | 5612 | 1283 | 66900 |
| 19 | 7650 | 1901 | 80100 |
| 17 | 720 | 174 | 85700 |
| 14 | 1501 | 337 | 73400 |
| 20 | 1454 | 326 | 65500 |
unlabeled examples: {features, ?}: (x, ?)
一旦我們用標記示例對我們的模型進行了訓練，我們就可以使用該模型來預測未標記示例上的標籤。在垃圾郵件檢測器中，未標記的示例是人類尚未標記的新電子郵件。
模型
模型定義了要素和標籤之間的關係。例如，垃圾郵件檢測模型可能會將某些功能強烈地與“垃圾郵件”相關聯。讓我們強調模型的兩個階段：- 訓練意味着創造或學習模型。也就是說，您將顯示標有示例的模型，並使模型逐漸學習特徵與標籤之間的關係。
- 預測意味着將訓練的模型應用於未標記的例子。也就是說，你使用訓練好的模型進行有用的預測（
y'）。例如，在推理過程中，您可以預測medianHouseValue新的未標記示例。
迴歸與分類
一個迴歸模型預測連續值。例如，迴歸模型預測回答如下問題：- 加州的房子價值是多少？
- 用戶點擊此廣告的概率是多少？
- 給定的電子郵件是垃圾郵件還是垃圾郵件？
- 這是一隻狗，一隻貓還是一隻倉鼠的圖像？
查看原文：http://www.mtcnn.com/?p=109