自变量（x1, x2, x3...） 叫特征（feature）
因变量y 叫标签（label），有时也叫标记
训练数据集（training dataset）
测试数据集（test dataset）
拟合（fit）
监督学习（supervised learning）
无监督学习（unsupervised learning）
半监督学习（semi-supervised learning）
深度学习（deep learning）
人工神经网络（Artificial Neural Network， ANN）
深度学习：层数较多，结构比较复杂的神经网络的机器学习技术。
强化学习（reinforcement learning）研究的目标是智能体（agent）如何基于环境而做出行为反应，以取得最大化的累计奖励。
机器学习的两大应用场景：回归（regression）， 分类（classification）
数据集：数据的集合
样本：数据集中的一条具体记录
特征：用于描述数据的输入变量
标签：要预测的真是事物或结果，亦称目标
有标签样本：有特征，有标签，用于训练模型
无标签样本：有特征，无标签
特征的维度指特征的数目
标签是试图预测的目标
模型就是函数，是执行预测的工具
机器学习的5个环节：
（1）问题定义
（2）数据的收集和预处理
（3）选择机器学习模型
（4）训练机器，确定参数
（5）超参数调试和性能优化
数据预处理：
可视化（visualization）
数据向量化（data vectorization）
处理坏数据和缺失值
特征缩放（feature scaling）：标准化（standardization）（特别的，归一化），规范化（normalization）等
选择模型：
线性模型：线性回归，逻辑回归
非线性模型：支持向量机，K最邻近分类
基于树和集成的模型：决策树，随机森林，梯度提升树等
神经网络：人工神经网络，卷积神经网络，长短期记忆网络等
内部参数：
权重（wieght），偏置（bias | kernel）
超参数（hyperparameter）
优化（optimization）
泛化（generalization）
标签：实战,机器,唯有,--,标签,模型,学习,learning From： https://www.cnblogs.com/cangshiqian/p/16795594.html