https://developers.google.cn/machine-learning/crash-course/framing/ml-terminology
什么是（監(jiān)督式）機(jī)器學(xué)習(xí)？簡(jiǎn)單來說，它的定義如下：
機(jī)器學(xué)習(xí)系統(tǒng)通過學(xué)習(xí)如何組合輸入信息來對(duì)從未見過的數(shù)據(jù)做出有用的預(yù)測(cè)。
標(biāo)簽
是我們要預(yù)測(cè)的事物，即簡(jiǎn)單線性回歸中的 y 變量。
特征
特征是輸入變量，即簡(jiǎn)單線性回歸中的 x 變量。
簡(jiǎn)單的機(jī)器學(xué)習(xí)項(xiàng)目可能會(huì)使用單個(gè)特征，而比較復(fù)雜的機(jī)器學(xué)習(xí)項(xiàng)目可能會(huì)使用數(shù)百萬(wàn)個(gè)特征。
樣本
樣本是指數(shù)據(jù)的特定實(shí)例：x。（我們采用粗體 x 表示它是一個(gè)矢量。）
模型
模型定義了特征與標(biāo)簽之間的關(guān)系。
回歸與分類
- 回歸模型可預(yù)測(cè)連續(xù)值.
- 分類模型可預(yù)測(cè)離散值.
線性回歸
https://developers.google.cn/machine-learning/crash-course/descending-into-ml/linear-regression
訓(xùn)練與損失
https://developers.google.cn/machine-learning/crash-course/descending-into-ml/training-and-loss
均方誤差 (MSE) 指的是每個(gè)樣本的平均平方損失
迭代方法
https://developers.google.cn/machine-learning/crash-course/reducing-loss/an-iterative-approach
學(xué)習(xí)過程會(huì)持續(xù)迭代，直到該算法發(fā)現(xiàn)損失可能最低的模型參數(shù)。
通常，您可以不斷迭代，直到總體損失不再變化或至少變化極其緩慢為止。
這時(shí)候，我們可以說該模型已收斂。
