机器学习中的一些常见的概念

--------------------摘自《机器学习算法原理与编程实践》以及传智播客相关资料-------------------

机器学习中的对象：只含有一组特征的行向量（所有的特征组合在一起构成一组行向量，又称之为特征向量，不是线性代数中的特征向量，线代中的特征向量是列向量）

对象的维度：行向量的列数

机器学习中的矩阵：矩阵是具有相同特征和维度的对象的集合，表为一张二维数据表

一个对象代表着矩阵中的一行，一个特征表示为矩阵中的一列，每个特征都有数值型的取值

由特征列的取值范围所有与构成的举证空间应当具有完整性，能够反映出事物的空间或者形式变化

分类、聚类与回归是及其学习最基本的主题

在实际计算中，含有字符串的对象名称因为无法直接参与运算，一般情况下可以进行编码，将其编码为数字

一个对象应当被视为完整的个体，代表的是现实中有意义的事物，不能轻易进行拆解，其表现形式多种多样

 

分类模型与回归模型：

分类模型：目标值为离散型数据的模型，分类是监督学习的一个核心问题，在监督学习中，当输出变量取有限个离散值时，预测问题变成为分类问题。最基础的便是二分类问题，即判断是非，从两个类别中选择一个作为预测结果；分类在于根据其特性将数据“分门别类”，所以在许多领域都有广泛的应用

回归模型：目标值为连续型数据，回归用于预测输入变量和输出变量之间的关系。回归在多领域也有广泛的应用：房价预测，根据某地历史房价数据，进行一个预测；金融信息，每日股票走向等。

 

监督学习与无监督学习：

监督学习：（英语：Supervised learning），可以由输入数据中学到或建立一个模型，并依此模式推测新的结果。输入数据是由输入特征值和目标值所组成。函数的输出可以是一个连续的值（称为回归），或是输出是有限个离散值（称作分类）。

无监督学习（英语：Supervised learning），可以由输入数据中学到或建立一个模型，并依此模式推测新的结果。输入数据只是由输入特征值所组成。