在真正開始前，需要先了解一下機器學習所需要用的框架，在依這個框架下，進行學習的討論及實驗。
（參考網站：Framing)

我們進行的是監督式機器學習，也就是說建立一個「模組」（model），結合「輸入的訊息」（input），對從未見過的數據資料，來做出有用的「預測」。因此我們會用到model、input data、label等等東東。

在訓練model，也就是我們預期的執行模組時，需要告訴它哪些東西是對的，哪些東西是錯的，或是哪些東西有什麼特質。簡單來說就是要提他們名詞，以及標準，因此就有label。
label，以電子郵件來說，我們要訓練一個辨別垃圾郵件的model，所以我們要先告訴它，有分常兩種：正常信件、垃圾信件，而這兩種就是lable，也就是我們的目標。
有了目標，我們要有特徵－feature，有特徵才能把信件根據此特徵分類，進而讓model進行判斷，得到哪些是垃圾郵件和一般郵件。feature是我們要處理的依據，這些資料可以從信件內文，或是寄件者等等任何地方取得，這些都是機器學習的養分。
資料屬性決定好後，就剩下把訓練資料放進去囉！那些資料就是example。其中拿來訓練model是叫做label example，可視為標準答案。也就是我們在練習寫數學題目的時候，習題本會有解答一樣。當model收到這些example要做出正確的分類，如果錯的話就要校正，model就會歸納出一個讓這些label example可以正確分類的方式。而unlabel example就是我們不知道該是屬於什麼類別的信箱，這就是我們所要預測的數據資料。

而以上這些就是一整個機器學習所會做的事情與架構。
簡單來說，機器學習架構有：

• Model：執行模組
• Lable：執行的目標
• Feature：分類特徵
• Example：資料範本
  • Label example：標準答案範本
  • Unlabel example：不知道答案的範本

睫毛之聲：

開始有點複雜了，越來越玄了！