机器学习:基本概念-标签、特征、样本、模型、回归与分类
什么是(监督式)机器学习?简单来说,它的定义如下:
- 机器学习系统通过学习如何组合输入信息来对从未见过的数据做出有用的预测。
下面我们来了解一下机器学习的基本术语。
标签
标签是我们要预测的事物,即简单线性回归中的 y
变量。标签可以是小麦未来的价格、图片中显示的动物品种、音频剪辑的含义或任何事物。
特征
特征是输入变量,即简单线性回归中的 x
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,按如下方式指定:
x1,x2,...xN
在垃圾邮件检测器示例中,特征可能包括:
- 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
- 电子邮件中包含“一种奇怪的把戏”这样的短语。
样本
样本是指数据的特定实例:x。(我们采用粗体 x 表示它是一个矢量。)我们将样本分为以下两类:
- 有标签样本
- 无标签样本
有标签样本同时包含特征和标签。即:
labeled examples: {features, label}: (x, y)
我们使用有标签样本来训练模型。在我们的垃圾邮件检测器示例中,有标签样本是用户明确标记为“垃圾邮件”或“非垃圾邮件”的各个电子邮件。
例如,下表显示了从包含加利福尼亚州房价信息的数据集中抽取的 5 个有标签样本:
housingMedianAge (特征) | totalRooms (特征) | totalBedrooms (特征) | medianHouseValue (标签) |
---|---|---|---|
15 | 5612 | 1283 | 66900 |
19 | 7650 | 1901 | 80100 |
17 | 720 | 174 | 85700 |
14 | 1501 | 337 | 73400 |
20 | 1454 | 326 | 65500 |
无标签样本包含特征,但不包含标签。即:
unlabeled examples: {features, ?}: (x, ?)
以下是取自同一住房数据集的 3 个无标签样本,其中不包含 medianHouseValue
:
housingMedianAge (特征) | totalRooms (特征) | totalBedrooms (特征) |
---|---|---|
42 | 1686 | 361 |
34 | 1226 | 180 |
33 | 1077 | 271 |
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。
模型
模型定义了特征与标签之间的关系。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。我们来重点介绍一下模型生命周期的两个阶段:
-
训练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。
-
推断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,在推断期间,您可以针对新的无标签样本预测medianHouseValue
。
回归与分类
回归模型可预测连续值。例如,回归模型做出的预测可回答如下问题:
-
加利福尼亚州一栋房产的价值是多少?
-
用户点击此广告的概率是多少?
分类模型可预测离散值。例如,分类模型做出的预测可回答如下问题:
-
某个指定电子邮件是垃圾邮件还是非垃圾邮件?
-
这是一张狗、猫还是仓鼠图片?
相关文章
- 数据分析/机器学习模型无法部署的八大原因
- 机器学习中的隐马尔科夫模型(HMM)详解
- 机器学习实战之PCA
- 机器学习、数据挖掘、人工智能、统计模型这么多概念有何差异
- 机器学习入门10 - 正则化:简单性(Regularization for Simplicity)
- 机器学习笔记 - 基于JavaScript的顶级机器学习框架
- 机器学习之——判定边界和逻辑回归模型的代价函数
- 机器学习之——神经网络模型
- AI之AutoML:autosklearn/Auto-Sklearn(基于scikit-learn库的自动化的机器学习工具)的简介、安装、使用方法之详细攻略
- DataScience:机器学习中特征工程之连续型变量离散化—变量分箱的简介、常用方法、案例应用(评分卡模型为例)之详细攻略
- 机器学习案例(九):语言检测
- 效率倍增啊,20个面向数据科学家的自动机器学习(AutoML)库来了
- 【机器学习】模型评估
- 【阶段三】Python机器学习17篇:机器学习项目实战:随机森林回归模型
- OpenCV 机器学习之 支持向量机的使用方法实例
- NLP模型笔记2022-15:深度机器学习模型原理与源码复现(lstm模型+论文+源码)
- SLS机器学习最佳实战:日志聚类+异常告警 —— 这个就是splunk SQL+机器学习结合产物啊
- pandas dataframe 做机器学习训练数据=》直接使用iloc或者as_matrix即可
- 【阿里天池-医学影像报告异常检测】4 机器学习模型调参
- 如何选择和训练机器学习模型?
- PAI-Diffusion模型来了!阿里云机器学习团队带您徜徉中文艺术海洋