机器学习的基础概念

数据

• 著名的鸢尾花数据 https://en.wikipedia.org/wiki/lris_flower_data_set

        

          lris setossa                                    lris versicolor                                         lris verginica

 

下面是鸢尾花的数据：

 

• 数据整体叫数据集（data set）
• 每一行数据称为一个样本（sample）
• 除最后一列，每一列表达样本的一个特征（feature）
• 最后一列，称为标记（label）

第i个样本行写作 ，也叫特征向量。第i个样本第j个特征值 第i个样本的标记写作

为了可视化特征方便，我们只抽取出特征中的前两个特征，其中萼片的长度作为横轴，萼片的宽度作为纵轴。

绘制下图：

对于每一个样本来说都会在坐标系中表示一个点，假设我们有三个特征，就可以在三维空间中表示它，同理如果有1000种特征，就可以在1000维的空间中表示它，而这个绘制样本的空间我们称它为特征空间(feature space)。

通过可视化绘制样本点后，我们可以比较轻易的绘制出一根直线，红色样本在直线的一边而蓝色样本在直线的另一边。

分类任务本质就是在特征空间切分，在高维空间同理。

而鸢尾花拥有4个特征，应该是在4维特征空间中分析。

特征可以很抽象

• 图像，每一个像素点都是特征
• 28*28的图像有28*28=784个特征
• 如果是彩色图像特征更多