机器学习中的数据及任务

什么是机器学习？

什么是数据？

以鸢尾花数据为例：

 其中包含四个主要的信息（萼片（sepal）的长宽、花瓣（petal）的长宽）

根据以上数据大致可以分为三个种类，Iris-Setosa、Iris-Versicolour、Iris-Virginica

其数据的结构大致如下：

 现有以下数据为例：

此处使用数字0，1，2在机器学习中分别简化表示三种类型。

上面示例的数据整体叫数据集（data set）,

其中每一行数据都被称为一个样本（sample）,

除最后一列，每列表达样本的一个特征（feature）（例子中有4个特征），

最后一列，称为标记（label）

现将所有的特征表示为矩阵X，将所有标记表示为向量y

那么第i个样本行写作X ⁽ ⁱ ⁾（称作特征向量，一般为列向量），

 现将所有特征向量转置即可得到整个数据集

第i个样本的第j个特征值写作X ⁽ ⁱ ⁾ⱼ（i为上标，j为下标），

第i个样本的标记写作y⁽ ⁱ ⁾。

样本数据的本质就是在所有特征所组成的一个空间中的点,这个空间称为特征空间（feature space）。

分类任务的本质就是在特征空间中的切分，下图为两维的示例，在高维空间同理。

此外，特征也可以是抽象的，比如MNIST数据集中的手写数字，其中每个数字图像中的每一个像素点都是特征。

任务是什么？

其中监督学习的任务如下：

• 分类任务

1. 二分类（判断是否为垃圾邮件）
2. 多分类（数字识别，图像识别）
3. 多标签分类（识别图片中的多类元素）

• 回归任务

1. 结果为一个连续数字的值，而不是某个类别，如判断房屋价格（xx万）
2. 一些情况下，回归任务可以简化为分类任务