机器学习中的基础知识（四）-CDA数据分析师官网

2019-02-19

在前面的文章中我们给大家介绍了很多有关机器学习的知识，这些知识都是十分有用的，掌握了这些知识我们才能够做好机器学习知识的储备。下面我们就给大家介绍一下机器学习中的基础知识的其他部分，希望大家都好好学起来吧。

（1）假负类就是被模型错误的预测为负类的样本。

（2）假正类就是被模型错误的预测为正类的样本。

（3）假正类率的概念就是在ROC 曲线（ROC curve）中的 x 轴。FP 率的定义是：假正率=假正类数/(假正类数+真负类数)

（4）特征就是输入变量，用于做出预测。

（5）特征列就是具有相关性的特征的集合，一个样本的一个特征列中可能会有一个或者多个特征。特征的数据类型；一个特征是固定长度的或应该转换为嵌入。一个特征列可以仅包含一个特征。

（6）特征交叉就是将特征进行交叉（乘积或者笛卡尔乘积）运算后得到的合成特征。特征交叉有助于表示非线性关系。

（7）特征工程就是在训练模型的时候，决定哪些特征是有用的，然后将记录文件和其它来源的原始数据转换成上述特征的过程。

（8）特征集就是机器学习模型训练的时候使用的特征群。

（9）特征定义就是描述所需的信息从 tf.Example 协议缓存中提取特征数据。因为 tf.Example 协议缓存只是数据的容器，必须明确以下信息：

（10）嵌入就是连续值特征的明确的特征。嵌入通常指将高维向量转换到低维空间中。

在 TensorFlow 中，嵌入是通过反向传播损失训练的，正如神经网络的其它参量一样。

（11）经验风险最小化就是选择能最小化训练数据的损失的模型函数的过程。和结构风险最小化（structual risk minimization）对照。

（12）集成就是多个模型预测的综合考虑。可以通过以下一种或几种方法创建一个集成方法，这些方法分别是设置不同的初始化、设置不同的超参量。设置不同的总体结构。而深度和广度模型是一种集成。

（13）样本就是一个数据集的一行内容。一个样本包含了一个或多个特征，也可能是一个标签。样本有标注样本和无标注样本。

在这篇文章中我们给大家介绍了很多的知识，比如假正类、假负类、集成、特征集等知识，这些知识都能够帮助我们深入地了解人工智能，希望这篇文章能够给大家带来帮助。

特征机器学习神经网络特征工程人工智能

数据分析咨询请扫描二维码

上一篇机器学习中的基础知识（三）

下一篇机器学习中的基础知识（五）