12.10学习笔记（gg机器学习）

标签：我们要预测的真实事物：y。基本线性回归中的y变量。
特征：用于描述数据的输入变量：Xi。基本线性回归中的{x1、x2、…xn}变量
样本：数据的特定实例x0
有标签样本：同时包含特征和标签，我们使用有标签样本来训练模型。
无标签样本：包含特征但不包含标签，用于对新数据作出预测。
模型：定义了特征与标签之间的关系，可将样本映射到预测标签：y’。由模型的内部参数定义，这些内部参数值是通过学习得到的
训练：创建或学习模型
推断：将训练后的模型应用于无标签样本
回归：回归模型可预测连续值
分类：分类模型可预测离散值
L2损失=平方误差=（观测值-预测值)^2
=(y-y‘)^2
线性关系
y’=b+w1x1
y’指的是预测标签（理想输出值）。
b指的是偏差（y 轴截距）。而在一些机器学习文档中，它称为 w0。
w1 指的是特征 1 的权重。权重与上文中用 m 表示的“斜率”的概念相同。
x1 指的是特征（已知输入项）。
训练模型表示通过有标签样本来学习（确定）所有权重和偏差的理想值。在监督式学习中，机器学习算法通过以下方式构建模型：检查多个样本并尝试找出可最大限度地减少损失的模型；这一过程称为经验风险最小化.
MSE均方误差