** 样例 ** :我们收集了一批西瓜的数据
（色泽=青绿；根蒂=蜷缩；敲声=浑浊），
（色泽=乌黑；根蒂=稍蜷；敲声=沉闷），
（色泽=浅白；根蒂=硬挺；敲声=清脆）
每对括号是一条记录
数据集 ：这组记录的集合
示例/样本 ：每条记录（对事件或对象的描述）
属性（attribute）/ 特征（feature）：反应事件或对象在某方面的表现或者性质的事项，例如“色泽” ，“敲声” 。
属性值 ：属性的取值
属性空间 / 样本空间 / 输入空间 ：属性张成的空间
特征向量：例如我们将色泽 ，根蒂 ，敲声作为三个坐标轴 ，则他们张成一个用于描述西瓜的三维空间，每个西瓜都可以在这个空间中找到自己的坐标位置 ，由于空间中的每个店对应一个坐标向量 ，因此我们也把衣挂 示例称为一个特征向量 。
举例 ：一般令 D={x1，x2，...，xm}表示m个示例的数据集 ，每个示例 xi = （xi1 ，xi2，.... xid）是d维样本空间X中的一个向量，xi∈X ，其中xij是xi在第j个属性的取值（例如上述第3个西瓜在第2个属性上的值是“硬挺”），d称为样本xi的维数 。
如果希望学得一个能帮助我们判断 一个没有剖开的西瓜是不是 “好瓜” 的模型 ， 仅仅有前面的示例数据是不够的， 要简历这样的关于 “预测”（prediction）的模型 , 我们需要获得训练样本的 "结果"信息 ，
例如 ： “（（色泽=青绿；根蒂=蜷缩；敲声=浊响），好瓜）”。
这里关于示例结果的信息 ， 例如 “好瓜” ， 称为“标记”（label） ； 拥有了标记信息的示例 ， 则称为“样例”（example）。
一般的 ， 用（xi,yi）表示第i个样例 ， 其中 yi∈Y是示例xi的标记 ， Y是所有标记的集合 ， 亦称 “标记空间”（label space） 或 “输出空间” 。
若我们想要预测的是离散值 ， 例如 “好瓜” “坏瓜” ， 此类学习任务称为“分类”（classification）
若我们想要预测的是连续值 ， 例如 西瓜的成熟度 0.95,0.37 ， 此类学习任务称为“回归”（regression）。
对只涉及两个“二分类”（binary classification） ， 通常称其中一个类为“正类”（positive class） ， 领一个类为 “反类”（negative class） ；涉及多个类别时 ， 则称为“多分类”（multi-class classification）任务。
一般的 ，预测任务是希望通过对训练集 {（x1,y1）,(x2,y2),...,(xm,ym)}进行学习 ， 建立一个从输入空间X到输出空间Y的映射 f:X->Y。对二分类任务，通常令 Y={-1 , +1} 或 {0,1}；对多分类任务 ， |Y| > 2； 对回归任务 ， Y=R , R= 实数集。
学得模型后 ， 使用其进行预测的过程称为** “测试” （testing）** ，被预测的样本称为 ** 测试样本 （testing sample）**。例如在学得 f 后
网友评论