机器学习相关术语汇总（附带解析）

现在每过一段时间都会出现几个新的网络用语，懂的人见了会心一笑，不懂的只能摸摸脑袋，不知道“梗”在哪里，少了许多乐趣。机器学习也有许多独特的用语，在本节，我们先把机器学习的“行话”都介绍清楚。

模型

模型（Model）是机器学习的核心概念。如果认为编程有两大组成部分，即算法和数据结构，那么机器学习的两大组成部分就是模型和数据集。

如果之前没有接触过相关概念，想必你现在很希望直观地理解什么是模型，但对模型给出一个简洁又严谨的定义并不容易，你可以认为它是某种机器学习算法在设定参数后的产物，它的作用和编程时用到的函数一样，可以根据某些输入得到某些输出。

既然叫机器学习算法，不妨将它想象成一台机器，其上有很多旋钮，这些旋钮就是参数。机器本身是有输入和输出功能的，根据不同的旋钮组合，同一种输入可以产生不同的输出，而机器学习的过程就是找到合适的那组旋钮组合，通过输入得到你所希望的输出。

数据集

如果说机器学习的“机器”指的是模型，那么数据集就可以说是驱动着这台机器去“学习”的“燃料”。有些文献将数据集又分为训练集和测试集，其实它们的内容和形式并无差异，只是用在不同的地方：

• 在训练模型阶段使用，就叫作训练集；
• 在测试模型阶段使用，就叫作测试集。

数据

我们刚才提到了数据集，数据集就是数据的集合。在机器学习中，我们称一条数据为一个样本（Sample），形式类似一维数组。样本通常包含多个特征（Feature）：

• 如果是用于分类问题的数据集，还会包含类别（Class Label）信息；
• 如果是回归问题的数据集，则会包含一个连续型的数值。

特征

这个术语又容易让你产生误解了。我们一般把可以作为人或事物特点的征象、标志等称作特征，譬如这个人鼻子很大，这就是特征，但在机器学习中，特征是某个对象的几个记录维度。我们都填写过个人信息表，特征就是这张表里的空格，如名字、性别、出生日期、籍贯等，一份个人信息表格可以看成一个样本，名字、籍贯这些信息就称作特征。

前面说数据形式类似一维数组，那么特征就是数组的值。

向量

向量为线性代数术语，机器学习模型算法的运算均基于线性代数法则，不妨认为向量就是该类算法所对应的“数据结构”。一条样本数据就是以一个向量的形式输入模型的。

一条监督学习数据的向量形式如下：

[特征X1值，特征X2值，…，Y1值]

矩阵

矩阵为线性代数术语，可以将矩阵看成由向量组成的数组，形式上也非常接近二维数组。前面所说的数据集，通常就是以矩阵的形式输入模型的，常见的矩阵形式如下：

[
    [特征X1值，特征X2值，…，Y1值]，
    [特征X1值，特征X2值，…，Y2值]，
    …
    [特征X1值，特征X2值，…，Yn值]
]

其实这个组织形式非常类似电子表格，不妨就以电子表格来对照理解。每一行就是一个样本，每一列就是一个特征维度，譬如某个数据集一共包括了 7 个样本，那就是有 7 行数据，每个样本又都有 4 个维度的特征，那就是每行数据有 4 列。

用电子表格表示如下表所示，其中，A～D 列为特征，E 列为结果，对比一下应该就能马上理解数据集是怎样用矩阵保存数据的。

表1：用电子表格来表示机器学习的数据集矩阵

	A	B	C	D	E
1	样本1特征X1的值	样本1特征X2的值	样本1特征X3的值	样本1特征X4的值	样本1的Y值
2	样本2特征X1的值	样本2特征X2的值	样本2特征X3的值	样本2特征X4的值	样本2的Y值
3	样本3特征X1的值	样本3特征X2的值	样本3特征X3的值	样本3特征X4的值	样本3的Y值
4	样本4特征X1的值	样本4特征X2的值	样本4特征X3的值	样本4特征X4的值	样本4的Y值
5	样本5特征X1的值	样本5特征X2的值	样本5特征X3的值	样本5特征X4的值	样本5的Y值
6	样本6特征X1的值	样本6特征X2的值	样本6特征X3的值	样本6特征X4的值	样本6的Y值
7	样本7特征X1的值	样本7特征X2的值	样本7特征X3的值	样本7特征X4的值	样本7的Y值

需要注意的是，我们在制作电子表格时习惯添加列头或行头，譬如第一行往往是时间、名字、班级这样的信息标签，但机器学习使用的数据集一般并不包含这些列头和行头，第一格的内容就是第一个样本的第一个特征的值，与我们日常习惯稍有区别。