當然，現在也不乏“危險的人工智能”的說法，霍金大概是其中的“標桿”，這位偉大的英國理論物理學家甚至警告說“人工智能的發展可能意味著人類的滅亡”。孰好孰壞果然還是見仁見智，但可以肯定的是：本書所介紹的內容絕不至于導致世界的毀滅，大家大可輕松愉快地進行接下來的閱讀！

機器學習常用術語

機器學習領域有著許多非常基本的術語，這些術語在外人聽來可能相當高深莫測。它們事實上也可能擁有非常復雜的數學背景，但需要知道：它們往往也擁有著相對淺顯平凡的直觀理解（上一小節的假設空間和泛化能力就是兩個例子）。本小節會對這些常用的基本術語進行說明與解釋，它們背后的數學理論會有所闡述，但不會涉及過于本質的東西。

正如前文反復強調的，數據在機器學習中發揮著不可或缺的作用；而用于描述數據的術語有好幾個，需要被牢牢記住的如下。

“數據集”（Data Set），就是數據的集合的意思。其中，每一條單獨的數據被稱為“樣本”（Sample）。若沒有進行特殊說明，本書都會假設數據集中樣本之間在各種意義下相互獨立。事實上，除了某些特殊的模型（如隱馬爾可夫模型和條件隨機場），該假設在大多數場景下都是相當合理的。

對于每個樣本，它通常具有一些“屬性”（Attribute）或者說“特征”（Feature），特征所具體取的值就被稱為“特征值”（Feature Value）。

特征和樣本所張成的空間被稱為“特征空間”（Feature Space）和“樣本空間”（Sample Space），可以把它們簡單地理解為特征和樣本“可能存在的空間”。

相對應的，我們有“標簽空間”（Label Space），它描述了模型的輸出“可能存在的空間”；當模型是分類器時，我們通常會稱之為“類別空間”。

其中、數據集又可以分為以下三類：

訓練集（Training Set）；顧名思義，它是總的數據集中用來訓練我們模型的部分。雖說將所有數據集都拿來當作訓練集也無不可，不過為了提高及合理評估模型的泛化能力，我們通常只會取數據集中的一部分來當訓練集。

測試集（Test Set）；顧名思義，它是用來測試、評估模型泛化能力的部分。測試集不會用在模型的訓練部分，換句話說，測試集相對于模型而言是“未知”的，所以拿它來評估模型的泛化能力是相當合理的。

交叉驗證集（Cross-Validation Set，CV Set）；這是比較特殊的一部分數據，它是用來調整模型具體參數的。

注意：需要指出的是，獲取數據集這個過程是不平凡的；尤其是當今“大數據”如日中天的情景下，諸如“得數據者得天下”的說法也不算誑語。在此筆者推薦一個非常著名的含有大量真實數據集的網站： ，本書常常會用到其中一些合適的數據集來評估我們自己實現的模型。

可以通過具體的例子來理解上述概念。比如，我們假設小明是一個在北京讀了一年書的學生，某天他想通過宿舍窗外的風景（能見度、溫度、濕度、路人戴口罩的情況等）來判斷當天的霧霾情況并據此決定是否戴口罩。此時，他過去一年的經驗就是他擁有的數據集，過去一年中每一天的情況就是一個樣本。“能見度”、“溫度”、“濕度”、“路人戴口罩的情況”就是四個特征，而（能見度）“低”、（溫度）“低”、（濕度）“高”、（路人戴口罩的）“多”就是相對應的特征值。現在小明想了想，決定在腦中建立一個模型來幫自己做決策，該模型將利用過去一年的數據集來對如今的情況做出“是否戴口罩”的決策。此時小明可以用過去一年中8個月的數據量來做訓練集、2個月的量來做測試集、2個月的量來做交叉驗證集，那么小明就需要不斷地思考（訓練模型）下列問題：

用訓練集訓練出的模型是怎樣的？

該模型在交叉驗證集上的表現怎么樣？

. 如果足夠好了，那么思考結束（得到最終模型）。
. 如果不夠好，那么根據模型在交叉驗證集上的表現，重新思考（調整模型參數）

最后，小明可能會在測試集上評估自己剛剛思考后得到的模型的性能，然后根據這個性能和模型做出的“是否戴口罩”的決策來綜合考慮自己到底戴不戴口罩。

接下來說明上一小節中提到過的重要概念：假設空間與泛化能力。泛化能力的含義在上文也有說明，為強調起見，這里再敘述一遍：

泛化能力針對的其實是學習方法，它用于衡量該學習方法學習到的模型在整個樣本空間上的表現。