什麼是 (監督) 機器學習？簡要說明如下：
- 機器學習系統會學習如何結合輸入資料，以產生前所未見的資料以供實用預測。
讓我們來探索基本的機器學習術語。
標籤
「標籤」是我們要預測的內容，是簡易線性迴歸中的 y 變數。標籤可以是小麥的未來價格、相片中顯示的動物種類、音訊片段的意義或任何內容。
功能與特色
特徵是輸入變數，也就是簡易線性迴歸中的 x 變數。簡易的機器學習專案可能會使用單一功能，而較複雜的機器學習專案則可使用數百萬個功能，指定為：
\[\\{x_1, x_2, ... x_N\\}\]
垃圾內容偵測工具範例可能包含下列功能：
- 電子郵件中的文字
- 寄件者的地址
- 電子郵件傳送時間
- 電子郵件地址含有「一個奇怪的技巧」這個字眼。
示例
「範例」是資料的特定執行個體「x」。(以粗體標示 x 表示這是向量)。我們將範例分為兩種類別：
- 已加上標籤的範例
- 未加上標籤的範例
「已加上標籤的範例」包含功能和標籤。也就是：
labeled examples: {features, label}: (x, y)
使用加上標籤的範例來訓練模型。在我們的垃圾內容偵測器範例中，已標記的範例是使用者明確標示為「垃圾郵件」或「非垃圾郵件」的個別電子郵件。
例如，下表顯示了資料集中的 5 個標籤範例，其中包含加州的房價資訊：
| HouseMedianAge (功能) |
totalRooms (功能) |
totalBedrooms (功能) |
medianHouseValue (標籤) |
|---|---|---|---|
| 15 | 5612 | 1283 | 66900 |
| 19 | 7650 | 1901 | 80100 |
| 17 | 720 | 174 | 85700 |
| 14 | 1501 | 337 | 73400 |
| 20 | 1454 | 326 | 65500 |
未加上標籤的範例包含特徵而非標籤。也就是：
unlabeled examples: {features, ?}: (x, ?)
以下是同一個住房資料集中的 3 個未加上標籤範例 (不含 medianHouseValue)：
| HouseMedianAge (功能) |
totalRooms (功能) |
totalBedrooms (功能) |
|---|---|---|
| 42 | 1686 | 361 |
| 34 | 1226 | 180 |
| 33 | 1077 | 271 |
訓練模型完成有標籤的範例之後，我們會使用該模型來預測沒有標籤的範例標籤。在垃圾郵件偵測工具中，未加上標籤的範例是人類尚未加上標籤的新電子郵件。
型號
模型定義了特徵與標籤之間的關係。舉例來說，垃圾內容偵測模型可能會將某些功能與「垃圾內容」 有高度關聯。讓我們來看看模型的兩個階段：
「訓練」是指建立或學習模型。也就是說，系統會顯示模型已加上標籤的範例，並讓模型逐步瞭解特徵和標籤之間的關係。
「推論」是指將經過訓練的模型套用到未加上標籤的範例。也就是說，您可以使用經過訓練的模型進行實用的預測 (
y')。例如，在推論期間，您可以預測medianHouseValue是否有新的未加上標籤範例。
迴歸與分類
迴歸模型可預測連續值。舉例來說，迴歸模型可用來預測類似以下的問題：
房舍在加州有什麼價值？
使用者可能會點擊這則廣告的可能性為何？
「分類」模型可預測離散值，例如，分類模型會進行預測，回答以下問題：
電子郵件是否為垃圾郵件？
這是狗、貓或帽子的圖片？