ML 术语

机器学习关系

机器学习系统使用输入之间的关系来生成预测。

在代数中，关系通常写成y = ax + b

• y 是我们要预测的标签
• a 是直线的斜率
• x 是输入值
• b 是截距

使用 ML，关系写成y = b + wx

• y 是我们要预测的标签
• 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东西。

它就像线性图中的y

机器学习特征

在机器学习术语中，特征是输入。

它们就像线性图中的x 值

有时可能有多个特征（输入值）具有不同的权重

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。

模型的生命周期有三个阶段

• 数据收集
• 训练
• 推理

机器学习训练

训练的目的是创建一个可以回答问题的模型。例如，房屋的预期价格是多少？

机器学习推理

推理是在训练好的模型被用来推断（预测）使用实时数据的值时。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
输入数据用于计算模型的参数。

2. 推理
"训练好的"模型从任何输入中输出正确的数据。

监督学习

监督式机器学习使用一组输入变量来预测输出变量的值。

监督学习使用标记数据（具有已知答案的数据）来训练算法以

• 分类数据
• 预测结果

监督学习可以分类数据，例如根据已知的垃圾邮件示例，"电子邮件中的垃圾邮件是什么"。

监督学习可以预测结果，例如根据你玩过的视频预测你喜欢哪种视频。

无监督学习

无监督式机器学习使用任何未标记数据集中的模式，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系，例如数据中的有意义模式。

它是关于创建可以自我改进的计算机算法。

预计机器学习将转向无监督学习，以允许程序员在不创建模型的情况下解决问题。

强化学习

强化学习基于非监督学习，但会从用户那里获得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

自监督学习类似于无监督学习，因为它使用的数据没有人类添加的标签。

不同之处在于无监督学习使用聚类、分组和降维，而自监督学习则为回归和分类任务得出自己的结论。