欢迎来到尧图网

客户服务 关于我们

您的位置:首页 > 房产 > 建筑 > 【机器学习中的基本术语:特征、样本、训练集、测试集、监督/无监督学习】

【机器学习中的基本术语:特征、样本、训练集、测试集、监督/无监督学习】

2025/7/11 5:38:47 来源:https://blog.csdn.net/qq_65966646/article/details/146983143  浏览:    关键词:【机器学习中的基本术语:特征、样本、训练集、测试集、监督/无监督学习】

机器学习基本术语详解

1. 特征(Feature)
  • 定义:数据的属性或变量,用于描述样本的某个方面。
  • 作用:模型通过学习特征与目标之间的关系进行预测。
  • 示例
    • 预测房价时,特征可以是 面积、地段、房龄
    • 图像识别中,特征可以是 像素值、颜色直方图
  • 关键点
    • 特征工程(Feature Engineering):通过变换、组合特征提升模型性能(如将“年龄”分桶为“青年/中年/老年”)。
    • 特征选择(Feature Selection):剔除无关或冗余特征(如用相关系数筛选)。
2. 样本(Sample / Instance)
  • 定义:数据集中的一条具体数据,由一组特征及其可能的标签组成。
  • 示例
    • 监督学习:一条样本 = 特征 + 标签(如 {面积:80㎡, 地段:市中心, 房价:500万})。
    • 无监督学习:一条样本 = 仅特征(如 {用户A, 点击次数:5, 停留时长:10分钟})。
  • 关键点
    • 样本是模型的“学习材料”,数据量越大,模型通常表现越好(但需保证质量)。
3. 训练集(Training Set)
  • 定义:用于训练模型的数据子集,模型通过拟合这些数据学习规律。
  • 占比:通常占全量数据的 70%~80%
  • 关键点
    • 过拟合风险:模型在训练集上表现太好(如背答案),但在新数据上表现差。
    • 数据增强(Data Augmentation):通过旋转图像、添加噪声等方式扩充训练集(常见于深度学习)。
4. 测试集(Test Set)
  • 定义:用于评估模型泛化能力的独立数据子集,模拟真实场景。
  • 占比:通常占 20%~30%,且不能参与训练
  • 关键点
    • 测试集是模型的“期末考试”,反映其实际应用效果。
    • 数据泄漏(Data Leakage):若测试集信息混入训练集(如全局归一化),会导致评估失真。
5. 监督学习(Supervised Learning)
  • 定义:数据带有标签(Label),模型学习从特征到标签的映射关系。
  • 典型任务
    • 分类(Classification):输出离散值(如垃圾邮件检测:0/1)。
    • 回归(Regression):输出连续值(如房价预测:500.3万)。
  • 示例算法
    • 线性回归、决策树、支持向量机(SVM)、神经网络。
6. 无监督学习(Unsupervised Learning)
  • 定义:数据无标签,模型自行发现数据中的模式或结构。
  • 典型任务
    • 聚类(Clustering):将相似样本分组(如客户分群)。
    • 降维(Dimensionality Reduction):压缩特征数量(如PCA)。
    • 异常检测(Anomaly Detection):识别离群点(如信用卡欺诈)。
  • 示例算法
    • K-Means、DBSCAN、主成分分析(PCA)、自编码器(Autoencoder)。

术语对比表

术语定义示例
特征数据的属性房价预测中的“面积”
样本一条具体数据{面积:80㎡, 房价:500万}
训练集用于训练模型的数据70%的历史房价数据
测试集用于评估模型的数据30%的保留房价数据
监督学习数据带标签的学习分类(猫 vs 狗)
无监督学习数据无标签的学习聚类(用户分群)

常见问题

  1. 训练集和测试集为什么要分开?
    • 防止模型“作弊”(过拟合),确保评估结果反映真实性能。
  2. 无监督学习有什么用?
    • 探索数据内在结构(如市场细分)、预处理数据(如降维后再分类)。
  3. 特征越多越好吗?
    • 不是!无关特征会引入噪声(“维度诅咒”),需通过特征选择/降维优化。

总结

  • 特征是数据的描述属性,样本是具体实例。
  • 训练集用于学习,测试集用于验证。
  • 监督学习需要标签,解决预测问题;无监督学习无标签,解决模式发现问题。

版权声明:

本网仅为发布的内容提供存储空间,不对发表、转载的内容提供任何形式的保证。凡本网注明“来源:XXX网络”的作品,均转载自其它媒体,著作权归作者所有,商业转载请联系作者获得授权,非商业转载请注明出处。

我们尊重并感谢每一位作者,均已注明文章来源和作者。如因作品内容、版权或其它问题,请及时与我们联系,联系邮箱:809451989@qq.com,投稿邮箱:809451989@qq.com

热搜词