AI: 机器学习必须懂的几个术语：Label、Feature、Model...

admin管理员组

文章数量:1650768

AI: 机器学习必须懂的几个术语：Label、Feature、Model...

• 1.标签 Label
• 2.特征 Feature
• 3.样本 Example
• • 3.1有标签样本(labeled):
  • 3.2无标签样本(unlabeled)：
• 4.模型 Model
• 5.回归 Regression
• 6.分类 Classification
• 7.机器学习算法地图
• 博主热门文章推荐：

---

1.标签 Label

标签：所预测的东东实际是什么（可理解为结论），如线性回归中的 y 变量，如分类问题中图片中是猫是狗（或图片中狗的种类）、房子未来的价格、音频中的单词等等任何事物，都属于Label。

（如一组图片，已经表明了哪些是狗，哪些是猫，这里Label就是分类问题中每一个类）

2.特征 Feature

特征是事物固有属性，可理解为做出某个判断的依据，如人的特征有长相、衣服、行为动作等等，一个事物可以有N多特征，这些组成了事物的特性，作为机器学习中识别、学习的基本依据。

特征是机器学习模型的输入变量。如线性回归中的 x 变量。

例如在垃圾邮件分类问题中，特征可能包括：

• 电子邮件中是否包含 “ 广告、贷款、交易” 等短语
• 电子邮件文本中的字词
• 发件人的地址
• 发送电子邮件的时段

其中机器学习重要步骤：特征提取就是通过多种方式，对数据的特征数据进行提取。一般，特征数据越多，训练的机器学习模型就会越精确，但处理难度也越大。

3.样本 Example

样本是指一组或几组数据，样本一般作为训练数据来训练模型

样本分为以下两类：

• 有标签样本
• 无标签样本

3.1有标签样本(labeled):

同时包含特征和标签

在监督学习中利用数据做训练时，有标签数据/样本（Labeled data）或叫有/无标记数据，就是指有没有将数据归为要预测的类别。

例如以下房价数据集：

其中包含特征：卧室数量等，最右边一列是标签：房价中间值
（注，因为该问题要预测未来房价走势，所以Label就是某条房屋数据中的房价）

3.2无标签样本(unlabeled)：

包含特征，但不包含标签

如以下数据集： 去掉了Label，但是一样有用（如用在测试训练后的模型，即训练好模型后，输入该数据，那到预测后的房价与原标签进行比较，得到模型误差）

在使用有标签样本训练模型之后，我们会使用该模型预测无标签样本的标签。在垃圾邮件检测器示例中，无标签样本是用户尚未添加标签的新电子邮件。

4.模型 Model

模型定义了特征与标签之间的关系，就是我们机器学习的一组数据关系表示，也是我们学习机器学习的核心

例如，垃圾邮件检测模型可能会将某些特征与“垃圾邮件”紧密联系起来。
模型生命周期的两个重要阶段：

• 训练 Training是指创建或学习模型。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。

训练模型表示通过有标签样本来学习（确定）所有权重和偏差的理想值

• 推断 Inference是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’)。

例如，模型训练好后，就可以使用模型进行Inference ，可以针对新的无标签样本预测房价medianHouseValue。

5.回归 Regression

回归就是我们数学学习的线性方程，是一种经典函数逼近算法。
在机器学习中，就是根据数据集，建立一个线性方程组，能够无线逼近数据集中的数据点，是一种基于已有数据关系实现预测的算法。

回归模型可预测连续值（线性）

例如，回归模型做出的预测可回答如下问题：

• 某小区房价的趋势？
• 用户点击此广告的概率是多少？
  
  当机器学习模型最终目标（模型输出）是求一个具体数值时，例如房价的模型输出为25000，则大多数可以通过回归问题来解决。
  线性回归的好处在与模型简单，计算速度快，方便应用在分布式系统对大数据进行处理。
  线性回归还有个姐妹：逻辑回归（Logistic Regression），主要应用在分类领域

6.分类 Classification

顾名思义，分类模型可用来预测离散值

例如，分类模型做出的预测可回答如下问题：

• 是/否问题，某个指定电子邮件是垃圾邮件还是非垃圾邮件？
• 图片是动物还是人？
• 垃圾分类
  

当机器学习模型最终目标（模型输出）是布尔或一定范围的数时，例如判断一张图片是不是人，模型输出0/1：0不是，1是；又例如垃圾分类，模型输出1-10之间的整数，1代表生活垃圾，2代表厨余垃圾。。等等，这类需求则大多数可以通过分类问题来解决。

7.机器学习算法地图

机器学习算法多种多样，许多情况下，建模和算法设计是Designer所选择的，具体采用哪种算法也没有一定要求，根据实际具体问题具体分析。
（单击可以放大图片）

---

博主热门文章推荐：

一篇读懂系列：

• 一篇读懂无线充电技术（附方案选型及原理分析）
• 一篇读懂：Android/iOS手机如何通过音频接口（耳机孔）与外设通信
• 一篇读懂：Android手机如何通过USB接口与外设通信（附原理分析及方案选型）

LoRa Mesh系列：

• LoRa学习：LoRa关键参数（扩频因子，编码率，带宽）的设定及解释
• LoRa学习：信道占用检测原理（CAD）
• LoRa/FSK 无线频谱波形分析（频谱分析仪测试LoRa/FSK带宽、功率、频率误差等）

网络安全系列：

• ATECC508A芯片开发笔记（一）：初识加密芯片
• SHA/HMAC/AES-CBC/CTR 算法执行效率及RAM消耗 测试结果
• 常见加密/签名/哈希算法性能比较 (多平台 AES/DES, DH, ECDSA, RSA等)
• AES加解密效率测试（纯软件AES128/256）–以嵌入式Cortex-M0与M3 平台为例

嵌入式开发系列：

• 嵌入式学习中较好的练手项目和课题整理（附代码资料、学习视频和嵌入式学习规划）
• IAR调试使用技巧汇总：数据断点、CallStack、设置堆栈、查看栈使用和栈深度、Memory、Set Next Statement等
• Linux内核编译配置（Menuconfig）、制作文件系统 详细步骤
• Android底层调用C代码（JNI实现）
• 树莓派到手第一步：上电启动、安装中文字体、虚拟键盘、开启SSH等
• Android/Linux设备有线&无线 双网共存（同时上内、外网）

AI / 机器学习系列：

• AI: 机器学习必须懂的几个术语：Label、Feature、Model…
• AI：卷积神经网络CNN 解决过拟合的方法 （Overcome Overfitting）
• AI: 什么是机器学习的数据清洗（Data Cleaning）
• AI: 机器学习的模型是如何训练的？（在试错中学习）
• 数据可视化：TensorboardX安装及使用（安装测试+实例演示）

---

本文标签： 几个术语机器AIfeature