ML 术语

机器学习关系

机器学习系统利用输入之间的关系来产生预测。

在代数中，关系通常写成y = ax + b

• y 是我们想要预测的标签
• a 是线的斜率
• x 是输入值
• b 是截距

在机器学习中，关系写成y = b + wx

• y 是我们想要预测的标签
• w 是权重（斜率）
• x 是特征（输入值）
• b 是截距

机器学习标签

在机器学习术语中，标签是我们想要预测的事物。

它类似于线性图中的y

机器学习特征

在机器学习术语中，特征是输入。

它们类似于线性图中的x 值

有时会有许多具有不同权重的特征（输入值）

y = b + w₁x₁ + w₂x₂ + w₃x₃ + w₄x₄

机器学习模型

模型定义了标签 (y) 和特征 (x) 之间的关系。

模型生命周期有三个阶段

• 数据收集
• 训练
• 推理

机器学习训练

训练的目标是创建一个能够回答问题的模型。例如，房子的预期价格是多少？

机器学习推理

推理是指训练好的模型用于使用实时数据推断（预测）值。例如，将模型投入生产。

机器学习阶段

机器学习有两个主要阶段

1. 训练
使用输入数据计算模型的参数。

2. 推理
“训练好的”模型会从任何输入中输出正确的数据。

监督学习

监督机器学习使用一组输入变量来预测输出变量的值。

监督学习使用带标签的数据（已知答案的数据）来训练算法以

• 分类数据
• 预测结果

监督学习可以根据已知的垃圾邮件示例对数据进行分类，例如“电子邮件中的垃圾邮件是什么”。

监督学习可以预测结果，例如根据您观看过的视频预测您可能喜欢的视频类型。

无监督学习

无监督机器学习使用来自任何无标签数据集的模式，试图理解数据中的模式（或分组）。

无监督学习用于预测未定义的关联，例如数据中有意义的模式。

它旨在创建能够自我改进的计算机算法。

预计机器学习将转向无监督学习，以便程序员无需创建模型即可解决问题。

强化学习

强化学习基于无监督学习，但会从用户那里接收关于决策是好是坏的反馈。反馈有助于改进模型。

自监督学习

自监督学习与无监督学习相似，因为它使用没有人工添加标签的数据。

区别在于，无监督学习使用聚类、分组和降维，而自监督学习则自己得出回归和分类任务的结论。