Reference: Framing

Google這邊的Machine learning有特別強調是Supervised machine learning，因為這邊的dataset都有個正確答案讓Machine learning參考。

除此之外還有: Unsupervised learning(沒給正確答案，卻要你去把資料歸類的), Reinforcement learning(透過觀察資料逐步修正的學習方式)

之後會使用到一些術語，讓我分別列在下面：

• Labels
  我們要預測的東西y，可能是錢、可能是true或false、或其他想預測的項目

• Features
  供給預測所需的欄位，通常用x表達，它是個向量形式，代表x1, x2, x3, ..., xn，每個都是一個feature，你可以只餵某個feature給Machine learning去預測y，也可以一次給很多個features去預測y。
  如果要預測的是 是不是垃圾郵件，feature可能就包含寄件地址、內文、發信時間等等。

• Examples
  可分成Labeled examples、Unlabeled examples，Labeled examples是已知label並把它們丟進machine learning去訓練出一個model用的；而UnLabeled examples則是沒有label，要丟到model去預測出一個prediction的。

  • labeled examples: {features, label}: (x, y)

    housingMedianAge(feature)	totalRooms(feature)	medianHouseValue(label)

    15|5610|66900
    19|7650|80100
    17|720|85700
    14|1501|73400
    20|1454|65500

  • unlabeled examples: {features, ?}: (x, ?) << 沒有y or label

    housingMedianAge(feature)	totalRooms(feature)

    42|1686
    34|1226
    33|1077

• Model
  Train出feature與label之間的關係，並進一步去推測unlabeled examples的預測值y'。

  • regression model: 預測連續性的資料，像是有個數值的預測值
  • classification model: 預測離散型的資料，像是預測種類、true/false

以上的術語會在之後的文章瘋狂出現，也會在之後的code裡當成naming convention。別忘了做課後習題，去驗證是不是真的理解這些名詞。

很像重新整理選項順序就會不一樣，就不把答案寫在這了
(好吧 就算沒選項，也可以看看上面的術語，腦裡自己激盪一下)

題目1: 針對檢查是否是垃圾信件，哪個敘述是對的?
題目2: 要對使用者買鞋做預測，哪個敘述是對的?

今天的內容就到這邊為止。