機器學習是一種將傳統(tǒng)數學與現代強大的計算處理相結合的技術，以學習數據集中固有的模式。 在機器學習中，目標是產生一種可以使用這些模式執(zhí)行某些指定任務的算法。

在監(jiān)督式機器學習的情況下，目標可能是開發(fā)一個模型，該模型可以識別一組輸入所屬的類別或類別，或預測連續(xù)值，例如房屋價格。

在本文中，我將介紹機器學習中的一些關鍵概念。 如果您是機器學習的新手，這將使您對本領域中使用的一些術語和技術有一個很好的了解。

1.特征

在機器學習中，我們上面討論的輸入稱為特征。 要素是分配給數據點的一組屬性。

以下示例數據集是著名的數據集，通常用于機器學習實踐問題（稱為"波士頓住房價格"）。 它由一組與房屋相關的功能（在下圖中以紅色突出顯示）組成，例如年齡，平均房間數和物業(yè)稅值以及相應的房價。

為了使機器學習模型成功完成其任務，至少其中一些功能與房屋價格之間需要存在統(tǒng)計關系。

> Boston housing prices dataset — features are highlighted red

2.特征選擇與工程

優(yōu)化機器學習模型的重要一步是優(yōu)化。 我們開發(fā)的模型需要以最佳狀態(tài)執(zhí)行，而要確保做到這一點的一種方法是使用最佳功能來訓練模型。

包括每個特征并不總是有用的。 有些特征可能與我們嘗試預測的變量沒有有意義的統(tǒng)計關系，而另一些特征可能彼此緊密相關。 這兩種情況都將噪聲引入訓練階段，這可能會降低模型性能。 特征選擇是選擇最佳特征以包含在訓練階段中的過程。

同樣，原始形式的特征可能無法提供足夠的有意義的數據來訓練性能模型。 另外，某些特征根本不能以其原始形式使用，一個很好的例子就是基于日期/時間的功能。 機器學習模型不能使用日期或時間戳作為特征，我們需要首先從日期中導出有意義的特征，才能包含此信息。 我們可以使用整數形式的日期部分（例如月，日或星期數），或計算兩個日期之間的差，以提供算法可以理解的模式。 這就是所謂的特征工程。

3.標簽

有監(jiān)督的機器學習需要一些被稱為標記數據的東西。 這意味著每組要素都具有相應標簽的數據。 這些標簽可以是類別或類型（例如貓或狗），也可以是連續(xù)值，例如在波士頓房屋價格數據集中以標簽為價格的情況。

在開發(fā)機器學習模型時，功能通常稱為X，標簽稱為y。

> Boston housing prices dataset — labels are highlighted red

4.訓練

監(jiān)督式機器學習需要標記數據，因為算法使用這些示例特征值及其對應的標記來"學習"模式，如果成功，則將使模型能夠準確地預測新的未標記數據上的標記。

在機器學習過程中，學習的這一階段稱為訓練階段。 在此階段結束時，您將擁有一個可用于預測新的未標記數據的標簽或值的模型。 訓練階段通常稱為擬合模型。

5.調參

在本文前面介紹功能選擇時，我曾討論過一個優(yōu)化過程。 此過程的另一部分稱為調參，涉及優(yōu)化算法參數以找到適合您特定數據集的最佳組合。

所有機器學習模型都包含具有多種選項的參數。 例如，隨機森林模型具有許多可調參數。 一個示例是n_estimators，它確定森林中樹木的數量。 通常，樹的數量越多，結果越好，但是在特定點（并且這取決于數據集），隨著您添加更多的樹，改進會降低。 為您的數據集找到最佳樹數是一種調整隨機森林算法參數的方法。

每種算法都有許多可調參數，并且每個參數都有大量潛在的選項。 幸運的是，有自動方法可以找到這些參數的最佳組合，這就是所謂的超參數優(yōu)化。

6.驗證

建立模型后，我們需要確定其執(zhí)行給定任務的能力。 在我們的示例數據中，我們將要了解模型可以多么準確地預測房屋價格。 在機器學習中，建立最佳性能指標很重要，這將根據我們要解決的問題而有所不同。

通常，在開始機器學習項目時，我們將首先將要使用的數據集分為兩部分。 我們一個用來訓練模型，另一個用于測試階段。

機器學習中的測試通常稱為驗證。 我們使用模型對保留的測試數據集進行預測，并測量所選的性能指標，以確定模型能夠很好地執(zhí)行給定任務。

本文概述了討論機器學習時最常用的一些術語和概念。 如果您剛剛開始學習，它應該可以幫助您了解機器學習教程中使用的一些術語。 如果您想深入學習使用python創(chuàng)建您的第一個模型，可以在這里閱讀我的教程"如何創(chuàng)建您的第一個機器學習模型"。