背景：
最近在学习时通常会听到一些词就是噪音和降噪。同样为了解惑将网上搜来的解答在这里总结下。
解答：
我的总结：训练集中的目标变量的错误，输入变量某一维不准确，这些数据被称为噪声。
貌似错误和噪声是同义词。
摘录：
在实际情形中，训练数据的误标签的情况，输入数据某一维不准确的情况，都可能导致数据信息不精准，产生噪声数据。
由于受到噪声的影响，我们现在可以把y也看做是一种概率分布,y也是从某种分布中取样而来的，即y~P(y|x)。
这里的P(y|x)被称为目标分布。回头来看，我们可以把学习的目标总结为，在常见的输入(符合P(x))中可以预测出理想的目标(P(y|x))。（这不是监督学习的定义吗？）
错误衡量（Error Measure）
有两种错误计算方法：
第一种叫0/1错误，只要【预测≠目标】则认为犯错，通常用于分类；
第二种叫平方错误，它衡量【预测与目标之间的距离】，通常用于回归
错误的类型
不同的错误类型可能导致不同的惩罚策略。
这两种错误分别是错误接受(false accept，即实际是负例，却判为正例)和错误拒绝(false reject，即实际为正例，却判为负例)。
在有些地方这两种错误也称作false positive(假阳性，误报，把合法的判断成非法的)和false negative(假阴性，漏报，把非法的判断成合法)。
这里有时会弄混淆，记得在医学上，阳性代表有病或者有病毒，阴性代表正常，那么假阳性就是把正常诊断为有病毒，而假阴性就是把有病毒诊断为正常。
超市指纹识别的例子
如果在超市中通过指纹识别来进行打折活动，如果是vip用户，之前有指纹录入的话，就应该有优惠活动，否则没有。
如果发生false reject的情况，那么顾客可能会不高兴，这样就会损失了一部分未来的生意；而如果发生false accept的话，超市只不过损失了一点小钱。
所以对于超市的成本表，false reject会牺牲成本比较大，而false accept牺牲的成本会较小。所以，我们应该尽量避免false reject的情形。
CIA指纹识别的例子
如果美国中情局，用指纹识别来判断该人是否有权限进入系统查看重要资料。
那么，发生false accept的情况会导致很严重的后果，而false reject的话，就不会有太大的影响。
所以对于CIA的成本表，应该尽量避免false accept的情形。
尚待解决的疑问或者改进：
链接：
http://www.jianshu.com/p/4b3b43b4b39d