ML之关键术语

1、数据术语

1.1 样本

1.1.1 定义

单个数据记录

1.1.2 性质

样本是构成数据集的基本单位，每个样本包含了一系列相关的特征，用于模型的训练和测试。

1.1.3 解释

在用户画像数据中，某用户的年龄、收入、购买记录等信息组合在一起，就构成了一个样本。
这些样本为模型提供了丰富的信息，使其能够学习到数据中的模式和规律。样本的质量和数量对模型的性能有着重要影响，高质量的样本能够帮助模型更好地泛化到新的数据上。

1.2 特征

1.2.1 定义

数据的属性

1.2.2 性质

特征是样本中用于描述和区分不同样本的特性，它们是模型进行学习和预测的依据。

1.2.3 解释

在房价预测问题中，房屋的面积、楼层、位置等都是影响房价的重要特征。
特征的选择和提取是机器学习中的关键步骤，合适的特征能够显著提高模型的性能。在图像识别中，图像的像素值、边缘、纹理等特征对于识别物体至关重要；在自然语言处理中，文本的词频、词向量等特征是模型理解语义的基础。

1.3 标签

1.3.1 定义

预测目标

1.3.2 性质

标签是样本中需要被预测或分类的结果，它为模型提供了监督信息，使模型能够根据输入的特征来学习输出对应的标签。

1.3.3 解释

在房价预测中，房价就是标签，模型通过学习房屋的特征与房价之间的关系，来实现对新房屋价格的预测。
在分类问题中，标签通常是离散的类别标签，如垃圾邮件分类中的“垃圾邮件”或“非垃圾邮件”；在回归问题中，标签则是连续的数值，如股票价格预测中的未来股价。

2、示例数据集

在这个示例数据集中，

• 每一行代表一个样本，即一套房屋的信息
• “面积”、“楼层”和“位置”是房屋的特征，它们共同描述了房屋的不同方面，为模型提供了丰富的输入信息
• “房价”则是标签，是模型需要学习预测的目标

通过分析这些样本的特征与标签之间的关系，模型可以建立起房价预测的模型，从而对新的房屋样本进行价格预测

3、数据集划分

3.1 训练集（80%）

3.1.1 作用

用于训练模型。训练集是数据集中的一部分，模型通过在训练集上进行学习，调整自身的参数，以尽可能准确地拟合训练数据中的模式和规律。

3.1.2 解释

在房价预测问题中，使用80%的历史数据作为训练集，模型会根据这些数据中的房屋特征和对应的价格，学习到房屋面积、楼层、位置等因素与房价之间的关联关系。
训练集的规模和质量对模型的训练效果有着重要影响，较大的训练集通常能够使模型更好地学习到数据中的复杂模式，但同时也需要更多的计算资源和训练时间。

3.2 测试集（20%）

3.2.1 作用

评估模型泛化能力。测试集是数据集中与训练集相互独立的一部分，用于在模型训练完成后，评估模型对未见过的新数据的预测能力，即模型的泛化能力。

3.2.2 解释

使用剩余20%的历史数据作为测试集，通过将模型对这些数据的预测结果与实际的房价进行比较，可以计算出模型的预测准确性、均方误差等评估指标。
测试集的评估结果能够帮助我们了解模型在实际应用中的表现，从而对模型进行调整和优化。在实际应用中，为了确保测试集能够准确地反映模型的泛化性能，通常会将测试集与训练集进行严格的分离，并且在模型训练过程中不使用测试集的数据。

微语录：任何的收获不是巧合，而是每天的努力与坚持的结果。不怕你每天迈一小步，只怕你停滞不前，不怕你每天做一点点事，只怕你无所事事。