1.訓練集（training set/data）/訓練樣例（training examples）:用來進行訓練，也是產生模型或者演算法的資料集
測試集（testing set/data）/測試樣例（testing examples）:用來專門進行測試已經學習好的模型或者演算法資料集
特徵向量（features / feature vector）：屬性集合，通常用乙個向量來表示，附屬於乙個例項
標記（label）:c(x) , 例項類別的標記
正例（positive example）
反例（negative example）
2. 分類（classification）:目標標記為類別型資料
回歸（regression）:目標標記為連續性數值
3.有監督學習（supervised learning）:訓練集有類別標記（class label）
無監督學習（unsupervised learning）：無類別標記
半監督學習（semi-supervised learning）:有類別標記的訓練集+無標記的訓練集
4.機器學習步驟框架
（1）把資料拆分成訓練資料和測試資料
（2）用訓練集和訓練集的特徵向量來訓練演算法
（3）用學習來的演算法運用在測試集上評估演算法（涉及調整引數 parameter tuning）
機器學習 訓練集 驗證集 測試集
為什麼要將資料集分為訓練集 驗證集 測試集三部分？對於很多機器學習的初學者來說，這個問題常常令人很迷惑，特別是對於驗證集和測試集的區別更讓人摸不到頭腦。下面，我談一下這三個資料集的作用，及必要性 訓練集 顯然，每個模型都需要訓練集，訓練集的作用很明顯，就是直接參與模型的訓練過程。測試集 測試集完全不...
機器學習的訓練集 驗證集和測試集
在機器學習中，最佳的資料分類情況是把資料集分為三部分，分別為 訓練集 train set 驗證集 validation set 和測試集 test set 訓練集很好理解就是訓練我們的模型。那麼驗證集和測試集有什麼作用？首先需要了解的是在乙個機器學習模型中，模型的引數分為普通引數和超引數，普通引數比...
機器學習中的訓練集 驗證集 測試集
訓練集用來訓練模型，即確定模型的權重和偏置這些引數，通常我們稱這些引數為學習引數。而驗證集用於模型的選擇，更具體地來說，驗證集並不參與學習引數的確定，也就是驗證集並沒有參與梯度下降的過程。驗證集只是為了選擇超引數，比如網路層數 網路節點數 迭代次數 學習率這些都叫超引數。比如在k nn演算法中，k值...