嗨，今天是第25天，昨天開始介紹了何謂機器學習，機器學習有哪些類型，
今天我們說明機器學習內的名詞：特徵(features)與標籤(labels)，未來也會用這個說法。

主要內容：

• 什麼是特徵(features)
• 什麼是標籤(labels)
• 特徵與標籤的範例說明
  • DecisionTreeClassifier
  • DecisionTreeClassifier預測

上一次說明了什麼是機器學習：簡單來說就是讓機器學習透過觀察分辨特徵來分類。

特徵與標籤

現在我們將簡單的用特徵與標籤來介紹機器學習的原理！

現在來說明什麼是特徵吧，假設要讓機器分辨橘子或是蘋果該怎麼區分？
你可能會覺得用顏色分辨！
這是一個非常好的答案，但假設我們得到的照片是黑白照片我們要如何分辨？

範例

來看下面這個例子：

利用重量跟表面來當我們訓練的資料，而重量跟表面的資料就是我們所謂的特徵，
而標籤就是定義這些特徵的結果是哪一種水果，也就是我們透過機器學習想讓電腦告訴我們的答案。

轉換符號

接下來將上面的字改成電腦看得懂的二元數字：0或1

像上面這樣，我們將皺用1表示、平滑用0表示。橘子用0、蘋果用1，用這種資料格式餵給電腦可以讓電腦容易理解。

Sklearn

有了資料之後，我們就可以用Sklearn來做機器學習了，來看看如何使用：

我們會用到簡單的二元樹分類，所以先import

from sklearn import tree 

特徵定義：

透過上面的表格我們可以這樣寫：

features = [[150,1],[170,1],[130,0],[140,0]]

標籤定義：

透過上面的表格我們可以這樣寫：

labels = [0,0,1,1]

DecisionTreeClassifier

建立一個DecisionTreeClassifier二元樹分類：

clf = tree.DecisionTreeClassifier()

上面這邊我們參數使用預設的，當然，你可以參考：sklearn.tree.DecisionTreeClassifier自行修改。

放入資料到分類模型內：

clf = clf.fit(features,labels)

預測：

假設我們重量120g表面為平滑是什麼水果？

wantPredict = clf.predict([[120,0]]) 
if wantPredict == [1]:
    print('This is an apple')
elif wantPredict == [0]:
    print('This is an orange')

會得到結果：This is an apple。

好的！那這個就是機器學習特徵與標籤的概念，是不是非常簡單呢！

總結

今天介紹了什麼是特徵與標籤的概念，我們用簡單的範例做說明，也簡單介紹了Sklearn是如何快速的幫助我們做分類的動作，接下來我們將用Sklearn介紹更多的機器學習分類的範例！

更多參考資料：
sklearn.tree.DecisionTreeClassifier