第 1 页 / 共 19 页
第 2 页 / 共 19 页
第 3 页 / 共 19 页
第 4 页 / 共 19 页
第 5 页 / 共 19 页
第 6 页 / 共 19 页
第 7 页 / 共 19 页
第 8 页 / 共 19 页
第 9 页 / 共 19 页
第 10 页 / 共 19 页
第 11 页 / 共 19 页
第 12 页 / 共 19 页
第 13 页 / 共 19 页
第 14 页 / 共 19 页
第 15 页 / 共 19 页
第 16 页 / 共 19 页
第 17 页 / 共 19 页
第 18 页 / 共 19 页
第 19 页 / 共 19 页
机器学习（周志华）也能看懂的机器学习术语解释
机器学习（周志华）也能看懂的机器学习术语解释 “机器学习”听起来是不是有点高深莫测？别担心，周志华的《机器学习》这本书其实非常通俗易懂。理解机器学习的关键，就在于掌握一些核心术语。 简单来说，机器学习就是让计算机从数据中学习，而不是像我们程序员写程序那样，一步一步地告诉它该怎么做。 模型（Model） 是机器学习的核心概念。你可以把它想象成一个“经验总结”，计算机通过学习数据，建立起这个“模型”。 模型用于预测新的数据，例如预测房价、识别图像等等。周志华认为，模型其实就是学习到的函数关系。 特征（Feature） 指的是用于描述数据的属性。 比如，要预测房价，你可能会用到房屋面积、地理位置、建造年代等作为特征。 好的特征能帮助模型更好地学习。 训练（Training） 则是构建模型的过程。 训练数据就是用于让模型学习的样本数据。 算法会根据训练数据，调整模型参数，使其尽可能地准确地预测新数据。 就像学习新知识，需要不断练习和反馈。 泛化能力（Generalization） 是衡量模型好坏的重要指标。 一个好的模型不仅要准确地预测训练数据，还要能准确地预测未见过的新数据。 也就是说，模型要具备一定的“理解世界”的能力，而不是简单地记住训练数据。 监督学习（Supervised Learning）、无监督学习（Unsupervised Learning）、强化学习（Reinforcement Learning） 则是机器学习的不同学习方式。 它们就像不同的学习方法，适用于不同的场景。 总之，机器学习的本质在于让计算机通过数据学习，并从中找到规律。 理解这些关键术语，你就离掌握机器学习的精髓更近一步了。 希望通过这个简短的解释，你对机器学习有了更直观的认识。
展开
机器学习（周志华）
2025-07-21
12次阅读
资料获取方式
温馨提示：登录学霸英雄官网后可获取更多大学生必备科目和考证等复习备考资料！