机器学习的一些基础概念

在本章中我们已经学习了关于人工智能的基础知识。下面我们将一些基础的概念做了汇总。下面对这些概念的描述比较学术，所以也就比较生硬。大家可以结合前面来文章来理解这些描述。
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。
在垃圾邮件人工智能检测器中，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。

样本
样本是指数据的特定实例：×。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:（x,y）
我们使用有标签样本来训练模型。在垃圾邮件检测器中，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。
无标签样本包含特征，但不包含标签。即：（x,?）

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`)。