机器学习基础一：入门七问

1.什么是有监督学习？

通过对输入的有标签样本进行学习，对无标签样本进行预测。

2.什么是学习？

通过组合输入信息的特征，找出特征和标签的内在联系。

3.什么是特征？

特征即输入变量。

简单的机器学习项目可能会使用单个特征，而比较复杂的机器学习项目可能会使用数百万个特征。

（如电子邮件文本中的字词，图像中的像素点等。）

4.什么是标签？

标签是我们要预测的结果。如股票的未来价格，图片中显示的动物品种等。
我们通常使用有标签样本训练模型，然后使用该模型来预测无标签样本的标签。

5.什么是样本？

样本是指输入数据的特定实例，包括有标签样本和无标签样本。

有标签样本同时包含特征和标签。
无标签样本包含特征，但不包含标签。

6.什么是模型？

模型定义了特征和标签之间的关系。

模型生命周期包括两个阶段：
训练：创建或学习模型。
推断：将训练后的模型用于无标签样本。

7.回归和分类。

回归模型可预测连续值。如一栋房子的价值是多少。
分类模型可预测离散值。如图像中的动物是猫还是狗。

注：逻辑斯特回归虽然名字中带有回归，但是是分类模型。