机器学习里那些「行话」到底指什么？

目录

• 一、先有数据：从一堆西瓜记录说起
• 二、描述一个东西：属性、特征与特征向量
• 三、用数学写下来：数据集的符号表示
• 四、学和练：训练、模型与学习器
• 五、给样本贴结果：标记与样例
• 六、两大任务：分类与回归
• 七、考一考：测试样本
• 八、不打标签也能学：聚类
• 九、有没有老师：监督学习与无监督学习
• 十、最重要的能力：泛化
• 十一、一句话总结
• 十二、一个小演示：构造数据集并划分训练/测试

一、先有数据：从一堆西瓜记录说起

要搞机器学习，手头总得有点数据。假设我们收集了一批西瓜的“体检报告”，就像下面这样：

• （色泽=青绿；根蒂=蜷缩；敲声=浊响）
• （色泽=乌黑；根蒂=稍蜷；敲声=沉闷）
• （色泽=浅白；根蒂=硬挺；敲声=清脆）
• ……

每一对括号里就是一条记录，那个等号的意思就是“取值为”。

所有这些记录的集合，就叫数据集（data set）。这里面：

• 每一条记录，描述的是某一个西瓜的具体情况，这叫一个示例（instance）或样本（sample）；
• 描述西瓜某方面性质的东西，比如“色泽”、“根蒂”、“敲声”，这叫属性（attribute）或特征（feature）；
• 每个属性具体的取值，比如“青绿”、“乌黑”，这叫属性值（attribute value）。

二、描述一个东西：属性、特征与特征向量

把“色泽、根蒂、敲声”这三个属性想象成三维空间里的坐标轴，它们就张成了描述西瓜的专属空间。每个西瓜都能在这个空间里找到自己的位置。

比如“青绿、蜷缩、浊响”这个瓜，对应的坐标就是 $(\text{青绿},\text{蜷缩},\text{浊响})$ 。

因为空间里的每个点都对应一个坐标向量，所以我们也把示例叫作特征向量（feature vector）。

• 属性张成的空间，就是属性空间（attribute space）、样本空间（sample space）或输入空间；
• 一个示例，就是输入空间里的一个点（一个特征向量）。

三、用数学写下来：数据集的符号表示

为了方便后续推导，得用一套标准符号把数据集写明白。

通常，令

$D=\{{\mathit{x}}_1,{\mathit{x}}_2,\dots ,{\mathit{x}}_m\}$

表示包含 $m$ 个示例的数据集。如果每个示例由 $d$ 个属性描述（比如西瓜用了 3 个属性），那么每个示例就是一个 $d$ 维向量：

${\mathit{x}}_i=(x_{i1};x_{i2};\dots ;x_{id})$

其中：

• ${\mathit{x}}_i\in \mathcal{X}$，$\mathcal{X}$ 是样本空间（输入空间）；
• $x_{ij}$ 表示示例 ${\mathit{x}}_i$ 在第 $j$ 个属性上的取值（比如某个西瓜在“根蒂”上的值是“硬挺”）；
• $d$ 称为示例的维数（dimensionality），也就是“用了几个特征来描述一个东西”。

简单说：$\mathcal{X}$ 是所有可能的特征组合构成的大空间，而数据集 $D$ 只是从这个大空间里采出来的一小批点。

四、学和练：训练、模型与学习器

从数据里学出模型的过程，叫作学习（learning）或训练（training），这个过程靠执行某个学习算法来完成。

• 训练过程中使用的数据，叫训练数据（training data）；
• 其中的每个样本，叫训练样本（training sample），也叫“训练示例”或“训练例”；
• 训练样本组成的集合，叫训练集（training set）。

学出来的模型，对应了关于数据某种潜在的规律，因此也称假设（hypothesis）；而这种潜在规律本身，则称为真相/真实（ground-truth）。学习的目的，就是找出或逼近真相。

另外，我们有时把学出来的模型叫做学习器（learner）——可以理解为：学习算法在“给定数据 + 给定参数空间”上跑出来的一个具体实例。

五、给样本贴结果：标记与样例

如果我们想学一个能判断“没剖开的瓜是不是好瓜”的模型，光有前面的特征描述还不够——还得知道每个瓜到底是好是坏。

所以我们需要给训练样本补上“结果”信息，例如：

这里关于示例“结果”的信息（例如“好瓜”），称为标记（label）；拥有了标记信息的示例，则称为样例（example）。

一般地，用

$({\mathit{x}}_i,y_i)$

表示第 $i$ 个样例，其中：

• $y_i\in \mathcal{Y}$ 是示例 ${\mathit{x}}_i$ 的标记；
• $\mathcal{Y}$ 是所有标记的集合，叫做标记空间（label space）或输出空间。

六、两大任务：分类与回归

有了标记之后，根据“我们要预测的东西是什么类型”，学习任务可以分成两大类：

• 分类（classification）：预测的是离散值。例如预测“好瓜/坏瓜”。
  • 只涉及两个类别的，叫二分类（binary classification），通常把其中一个叫正类（positive class），另一个叫反类（negative class）；
  • 涉及多个类别的，叫多分类（multi-class classification）。
• 回归（regression）：预测的是连续值。例如预测西瓜的成熟度 0.95、0.37。

一般地，预测任务的期望是：通过对训练集

$\{({\mathit{x}}_1,y_1),({\mathit{x}}_2,y_2),\dots ,({\mathit{x}}_m,y_m)\}$

进行学习，建立一个从输入空间到输出空间的映射

$f:\mathcal{X}\mathcal{Y}$

不同任务下输出空间 $\mathcal{Y}$ 长这样：

• 二分类：通常 $\mathcal{Y}=\{1,+1\}$ 或 $\{0,1\}$；
• 多分类：$\mathrm{\mid }\mathcal{Y}\mathrm{\mid }>2$；
• 回归：$\mathcal{Y}=\mathbb{R}$（实数集）。

七、考一考：测试样本

模型学出来之后，当然要拿来用。使用模型进行预测的过程，叫做测试（testing）；被拿去预测的样本，叫做测试样本（testing sample）（也叫“测试示例”或“测试例”）。

例如，学出了映射 $f$ 之后，对某个测试例 $\mathit{x}$，我们就能得到它的预测标记：

$y=f(\mathit{x})$

一句话记忆：训练集用来“学”，测试样本用来“考”。

八、不打标签也能学：聚类

除了“预测某个具体结果”，我们还可以对数据做另一种处理——聚类（clustering）：把训练集里的西瓜分成若干组，每组叫一个簇（cluster）。

这些自动形成的簇，可能对应一些潜在的概念划分，例如“浅色瓜/深色瓜”，甚至“本地瓜/外地瓜”。

• 这种学习能帮我们摸清数据内在的规律，为进一步分析打基础；
• 关键是：在聚类时，我们事先并不知道“浅色瓜”“本地瓜”这些概念，而且训练样本通常没有标记信息。

九、有没有老师：监督学习与无监督学习

根据训练数据有没有标记信息，学习任务可大致划分为两大类：

• 监督学习（supervised learning）：训练数据带标记。分类和回归是它的代表。（也叫“有导师学习”。）
• 无监督学习（unsupervised learning）：训练数据不带标记。聚类是它的代表。（也叫“无导师学习”。）

记忆窍门：有标记 = 有老师教 = 监督学习；没标记 = 自己摸索 = 无监督学习。

十、最重要的能力：泛化

这是整个机器学习里最关键的一个词——泛化（generalization）。

机器学习的目标，是让学出的模型能很好地适用于“新样本”，而不是仅仅在训练样本上表现好。哪怕对聚类这种无监督任务，我们也希望学出的簇划分能适用于训练集里没出现过的样本。

这里藏着一个重要的前提假设：

为什么这个假设重要？

• 训练集通常只是样本空间里很小的一次采样；
• 我们当然希望这小批采样能反映整个样本空间的特性，否则很难指望学出的模型在全局都好用；
• 一般而言，训练样本越多，我们关于这个分布的信息就越多，也就越有可能学到泛化能力强的模型。

十一、一句话总结

机器学习的“行话”看似多，其实围绕一条主线：用一批带（或不带）标记的样本，从数据空间里学出一个映射；评判它好坏的终极标准不是训练时多准，而是面对没见过的新样本时，泛化能力够不够强。

十二、一个小演示：构造数据集并划分训练/测试

下面这段 Python 代码，把前面“西瓜”的例子落成可运行的数据结构，并演示了监督学习（带标记）与无监督学习（不带标记）两种视角，以及最基础的训练集/测试集划分。

"""演示：构造西瓜数据集，并展示1) 监督学习视角（带标记 -> 分类任务）2) 无监督学习视角（去标记 -> 聚类任务）3) 训练集 / 测试集划分"""
import random

# 每个样本: [色泽, 根蒂, 敲声, 标记]
# 标记 1=好瓜, 0=坏瓜（监督学习视角才用）
dataset = [
    ["青绿", "蜷缩", "浊响", 1],
    ["乌黑", "蜷缩", "浊响", 1],
    ["青绿", "硬挺", "清脆", 0],
    ["乌黑", "稍蜷", "沉闷", 0],
    ["浅白", "蜷缩", "浊响", 1],
    ["青绿", "稍蜷", "浊响", 1],
    ["乌黑", "硬挺", "清脆", 0],
    ["浅白", "硬挺", "沉闷", 0],
]

def split_train_test(data, test_ratio=0.25, seed=42):
    """按比例随机划分训练集和测试集（保持可复现，设随机种子）"""
    random.seed(seed)
    idx = list(range(len(data)))
    random.shuffle(idx)
    n_test = int(len(data) * test_ratio)
    test_idx = idx[:n_test]
    train_idx = idx[n_test:]
    train = [data[i] for i in train_idx]
    test = [data[i] for i in test_idx]
    return train, test

def to_supervised(data):
    """监督学习视角：特征 X + 标记 y"""
    X = [row[:3] for row in data]
    y = [row[3] for row in data]
    return X, y

def to_unsupervised(data):
    """无监督学习视角：只保留特征，丢掉标记"""
    return [row[:3] for row in data]

if __name__ == "__main__":
    train, test = split_train_test(dataset)
    print("训练集样本数:", len(train), " 测试集样本数:", len(test))

    X_train, y_train = to_supervised(train)
    print("n[监督学习视角] 训练集特征 X_train:")
    for x, yy in zip(X_train, y_train):
        print("特征", x, "-> 标记(好瓜)", yy)

    X_unsup = to_unsupervised(train)
    print("n[无监督学习视角] 只看特征，没有标记（适合做聚类）:")
    for x in X_unsup:
        print("特征", x)

把代码保存为 terms_demo.py，用 python terms_demo.py 运行，输出如下：

训练集样本数: 6
测试集样本数: 2
[监督学习视角] 训练集特征 X_train:
特征 ['乌黑', '硬挺', '清脆'] -> 标记(好瓜?) 0
特征 ['浅白', '硬挺', '沉闷'] -> 标记(好瓜?) 0
特征 ['青绿', '硬挺', '清脆'] -> 标记(好瓜?) 0
特征 ['青绿', '稍蜷', '浊响'] -> 标记(好瓜?) 1
特征 ['青绿', '蜷缩', '浊响'] -> 标记(好瓜?) 1
特征 ['乌黑', '蜷缩', '浊响'] -> 标记(好瓜) 1
[无监督学习视角] 只看特征，没有标记（适合做聚类）:
特征 ['乌黑', '硬挺', '清脆']
特征 ['浅白', '硬挺', '沉闷']
特征 ['青绿', '硬挺', '清脆']
特征 ['青绿', '稍蜷', '浊响']
特征 ['青绿', '蜷缩', '浊响']
特征 ['乌黑', '蜷缩', '浊响']

这段代码直观展示了：同样一批西瓜数据，加上标记就是“分类”用的监督学习数据，去掉标记就是“聚类”用的无监督学习数据；而划出来的“测试集”正是用来检验模型泛化能力的那批新样本。