本文主要向大家介绍了机器学习入门之机器学习第一张基本概念理解，通过具体的内容向大家展现，希望对大家学习机器学习入门有所帮助。

数据集：关系型数据库中有很多表，表里面有很多记录，很多记录就可以认为是数据集

属性（特征）：一个表中有很多条记录，每条记录的表有很多属性，如tb_stu(stu_id,stuname,stu_sex)s表中有3条属性

属性值：属性的取值，如stu_id可以等于1,2.3....n。stu_sex可以为男,也可以为女。

特征向量：我们可以将属性的组合投影到三维空间，用几何和代数的工具来表示他们。如三个属性，可以头影城三维空间。每个属性有很多取值，不管三个属性取值如何组合，都会在这个三维空间中。其中三维空间的一个点，我们称为特征向量。

训练：从所用的数据学的模型的过程称为学习，或训练，如100个数据集，使用80个来训练。

归纳：数学归纳法，当n=1,时，f(1)=.... 当n=2时，f(2)=..    求出通项公式，从具体到一般性的规律

演绎:从基础原理推演出具体状况，有一般推到出具体，共性===》个体。

假设空间：就是根据属性的取值的组合，构成一个假设空间。色泽=，根蒂=，敲声=，结果是好瓜

色泽有4中情况，根蒂有4中，敲声有4种，3中基本的，还有一种*构成4种，构成空间为4*4*4+1(这个自己理解)=65

假设：学得模型对应了关于数据的某种潜在的规律，称为假设。（一时不理解很正常，后续会讲清楚）假设就是从假设空间中进行搜索与删除和正例和反例不一致的假设，最终与获得训练集一致的假设。这就是我们学的结果。

归纳偏好：若我们的算法喜欢尽可能特殊的模型，则它会选择好瓜<=>(色泽=*)^(根蒂=蜷缩)^（敲声=浊响),但我们的算法有一般的模型好瓜<=>(色泽=*)^(根蒂=蜷缩)^（敲声=*),机器学习算法在学习过程中对某种类型假设的偏好，称为归纳偏好。

样例（示例）：训练样本包含结果信息如(色泽=青绿，根蒂=蜷缩，敲声=浊响，结果是好瓜），拥有结果是好瓜，拥有了标记信息，这样一个训练数据样本，就是样例。一般用(xi,yi)来表示第i个样本，

yi属于Y（Y是所有标记集合，或称为输出空间，标记空间）

预测：就是对训练的建成模型，然后对没有训练的数据进行预测。输入变量和输出变量均为连续变量的预测问题称为回归问题；输出变量为有限个离散变量的预测问题称为分类问题。

根据训练数据是否拥有标记信息，学习的任务可以大致分为两大类：监督学习和无监督学习。

分类和回归都是监督学习，都包含样例。

聚类是后者的代表。

泛化：训练模型适用于新样本的能力称为泛化能力。