机器学习作为人工智能的核心学科，倍受大家的关注，所以对于机器学习的知识掌握的要求是比较严格的，只有扎实的基础知识我们才能够学好机器学习。虽然说机器学习知识是十分广泛的，但我们还是要一步一步慢慢了解其中的内容，这样我们才能够做好机器学习知识的储备。好了，我们现在就进入正题。

（1）测试数据就是有意不用于训练的样本。验证数据集和测试数据集是测试数据的两个例子。测试数据帮助评估模型泛化到除了训练数据之外的数据的能力。测试集的损失比训练集的损失提供了对未知数据集的损失更好的估计。

（2）超参数就是连续训练模型的过程中可以拧动的旋钮。

（3）隐藏就是神经网络中位于输入层和输出层之间的合成层。一个神经网络包含一个或多个隐藏层。

（4）评分者间一致性是用来衡量一项任务中人类评分者意见一致的指标。如果意见不一致，则任务说明可能需要改进。有时也叫标注者间信度或评分者间信度。

（5）Kernel 支持向量机是一种分类算法，旨在通过将输入数据向量映射到更高维度的空间使正类和负类之间的边际最大化。当我们考虑一个输入数据集包含一百个特征的分类问题。为了使正类和负类之间的间隔最大化，KSVM 从内部将特征映射到百万维度的空间。KSVM 使用的损失函数叫作 hinge 损失。

（6）推断就是在机器学习中，通常指将训练模型应用到无标注样本来进行预测的过程。在统计学中，推断指在观察到的数据的基础上拟合分布参数的过程。

（7）输入层就是神经网络的第一层（接收输入数据）。

（8）L1损失函数，损失函数基于模型对标签的预测值和真实值的差的绝对值而定义。L1损失函数比起 L2损失函数对异常值的敏感度更小。

（9）L1正则化就是一种正则化，按照权重绝对值总和的比例进行惩罚。在依赖稀疏特征的模型中，L1 正则化帮助促使不相关的特征的权重趋近于0，从而从模型中移除这些特征。

（10）L2 正则化是一种正则化，按照权重平方的总和的比例进行惩罚。L2正则化帮助促使异常值权重更接近0而不趋近于 0。L2正则化通常改善线性模型的泛化效果。

在这篇文章中我们给大家介绍了很多关于机器学习的知识，随着我们介绍的知识增加，机器学习的知识越来越深入，我们希望这篇文章能够给大家带来帮助，想要学习更多的知识，请持续关注我们。