机器学习›第 1 章 机器学习在解决什么问题›名词对应
名词对应
下面是一批房子的成交记录。每一行是一套房子,记着面积和当时的成交价。
面积(平方米) | 成交价(万元) |
|---|---|
62 | 241 |
85 | 311 |
100 | 371 |
125 | 449 |
145 | 533 |
把整批数据画在图上,横轴是面积,纵轴是房价:

图里有几个词需要一次对齐:
名词 | 对照到图上 | 在这张表里 |
|---|---|---|
样本 sample | 一个点 | 一套房子,一行 |
特征 feature, | 横坐标 | 面积 |
标签 label, | 纵坐标 | 成交价 |
模型 model, | 一个函数 | 输入面积,输出预测价格 |
参数 parameter, | 函数里还没定的数 | 见下面 |
用最简单的一种模型来试:假设房价和面积成正比,画出来就是一条直线。
读作"y hat",帽子表示这是模型猜的,不是真实成交价。 和 就是参数。
代入数字算一次
的单位是万元每平方米, 的单位是万元。
假设 (万元/㎡),(万元):
面积 | 计算 | 预测价格 | 真实成交价 |
|---|---|---|---|
62 ㎡ | 237 万元 | 241 万元 | |
100 ㎡ | 370 万元 | 371 万元 | |
145 ㎡ | 527.5 万元 | 533 万元 |
换一组参数 、:
面积 | 计算 | 预测价格 | 真实成交价 |
|---|---|---|---|
100 ㎡ | 100 万元 | 371 万元 |
同一个模型, 和 不同,预测差出 270 万。
和 可能是同一条线——前者单位是"万元/㎡",后者单位是"元/㎡"。数字本身没有意义,单位定了,数字才有意义。
所以"训练模型"这句话,具体到这件事上就是:找出一组合适的 和 。
下一课
下一课把大类分清楚:监督、无监督、强化学习,以及监督内部再分的回归和分类。