我们在学习任何学科的初期，都需要对该学科的一些术语有一定的了解，这样方面我们后期的学习和理解复杂的内容。今天学习一下机械学习的基本术语。
假设通过记录的方式得到下表数据:
| 标签 |
颜色 |
根蒂 |
敲击声 |
成熟度/未成熟 |
| 1 |
青绿色 |
卷缩 |
浊响 |
未成熟 |
| 2 |
乌黑色 |
稍卷 |
沉闷 |
未成熟 |
| 3 |
浅白色 |
硬挺 |
清脆 |
成熟 |
| 4 |
青绿色 |
硬挺 |
沉闷 |
未成熟 |
数据集/样本集：整个数据的集合，也就是所有数据整体。
实例/样本：记录一个事件或者对象的描述，例如表中的每一行。
样本属性/特征：主要反映事件或对象在某方面的表现或者性质的事项，比如表中中“颜色”等。
样本属性值/特征值：属性/特征所取到的值，比如表中的“青绿”等。
样本空间：由属性张成的空间，比如把“颜色”，“根蒂”，“敲击声”作为三个坐标轴的三维空间，每个西瓜就会在该空间内对应着一个位置。
特征向量：在样本空间中，每个点都对应一个坐标向量。
维度：对应表中的某一行的数据，如表中“颜色”，“根蒂”，“敲击声”3个属性进行取值记录，则可认为该样本的维度为3。
学习/训练：从数据模型中的学习过程。
训练数据：训练过程中使用的数据。
训练样本：训练过程中的每一个样本。
标签：表示样本的结果信息，如“成熟”，“未成熟”。
样例：指既包括样本属性值，又包含标签的样本。
输出空间：所有标记结果的集合。
预测：根据已有的众多样例，判断某一样本的输出结果。
分类：当结果预测值为离散值时，如表中的“成熟”，“未成熟”，此类任务分为分类。
回归：当结果预测值为连续值时，如预测西瓜的成熟度。
测试：通过学习得到的模型后，使用样本进行检测的过程。
测试样本：用于进行检测的样本。
新样本：没有用于模型训练的样本都可认为是对该模型的新样本。
泛化：指训练的模型不仅适用于训练样本，同时适用于新样本。