• 在介紹ML的種類之前，先介紹ML的相關術語，提供自行學習時候的參考依據：

  • 1. feature(特徵)，簡X，未「X」。與「input」輸入、「variable」變數、「attribute」屬性、「predictor」預測、「covariate」共變量同義
  • 2.target(目標)，未「target」表示，縮寫y。與「output」（輸出）、「response-variable」（反應變數）、「outcome」（結果）、「dependent-variable」（相依變數）、「(class)label」（類別）「標籤」具有相同意義
  • 3.loss-function(損失函數)：同義字成本函數「cost -function」，有時loss-function又稱為「error-function」(誤差函數)
  • 4.training（訓練）:model-fitting(模型適合)，用法等同「參數估計」的「參數模型」類似
  • 5.training-example(訓練實例)：table中的ㄧrow(一列)，義思是「datasets」數據集，未「datasets」。同義字：「observation」觀察、「instance」實例或「sample」樣本、「record」記錄，（在大部分情況下，「樣本」即「訓練實例的集合」）

• 在這裡先解釋一下上面所講的X和y：

這裡先以分析提供大量男生、女生身高與體重資料，供ML在面對一組陌生的數據，讓機器自動辨識target為男生還是女生

X：特徵：就是身高與體重

y：目標：就是辨識出的男生還是女生

ˋˋˋ

• training-example 是我們說的所有男女生身高體重資料，在訓練模型的時候又會將其區分為訓練資料集與測試資料集，有些甚至還會有驗證資料集。

  • 訓練集：train模型使用
  • 測試集：評估模型效能用
  • 驗證集：測試模型精準度

• 其他的部分，將在未來解釋，先有個概念。
  ˋˋˋ

• 這個模型就是我們明天要談的監督式學習的分類。