机器学习相关概念

标签：我们要预测的真实事物：y（如垃圾邮件）

基本线性回归中的y变量

特征：用于描述数据的输入变量：x1（如电子邮件中的发件时间，内容，字词等）

基本线性回归中的{x1,x2...xn}变量

样本：数据的特性实例：x(如一封电子邮件)

有标签样本：具有{特征，标签}: (x, y)（如：垃圾邮件，非垃圾邮件等，标签可能来自用户或者其他方面）

用于训练模型

无标签样本：具有{特征, ?}: (x, ?)（知道特征信息，但是并不知道是否为垃圾邮件）

用于对新数据做出预测

模型：可将样本映射到预测标签：y'（通过从数据中学习规律来创建模型）

有模型的内部参数定义，这些内部参数值是通过学习得到的

训练：创建或学习模型，也就是说，向模型展示有标签样本，让模型逐渐学习特征与标签之间的关系。

推断：指将训练后的模型应用于无标签样本。也就是说，使用经过训练的模型做出有用的预测 (y')。

回归模型：可预测连续值（如：加利福尼亚州一栋房产的价值，用户点击此广告的频率）

分类模型：预测离散值（如：某个邮件是垃圾还是非垃圾，这是一张狗，猫还是仓鼠图片）