机器学习基础（1）模型表示

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/duan20140614/article/details/88749335

在学习有监督机器学习模型之前，我们需要使用一些约定的符号来对模型进行表示，这些符号主要如下：

• 输入变量（或输入特征）： $x^{(i)}$

• 输出变量（或目标变量）： $y^{(i)}$

• 特征变量（也叫属性或特征）： $[x_{1}^{(i)},x_{2}^{(i)},...,x_{j}^{(i)},...,x_{n}^{(i)}]$，其中 $x_{j}^{(i)}$称为第j个特征变量

• 第i条训练样本： $(x^{(i)},y^{(i)})$

• 训练集(m条样本的集合)： $(x^{(i)},y^{(i)}) (i=1,2,...,m)$

• 输入、输出值的空间： $X,Y={R}$， $X,Y$都是n维实数空间

• 假设函数： $h_{\theta}(x)$，例如 $h_{\theta}(x)={\theta}_{0}+{\theta}_{1}x$
  有监督学习的目标是，给定一个训练集，学习一个函数： $h: x{\rightarrow}y$，使得 $h_{\theta}(x)$能很好的预测相应的y值，其过程如下所示：
  

• 当目标变量为离散型（标称型）数据时，我们称这样的学习问题为分类问题；

• 当目标变量为连续型（数值型）数据时，这样的问题惩治为回归问题，比如根据房子的尺寸预测房子的的价格