🔍 Google机器学习核心概念精讲（零基础入门版）
Google机器学习概念(1)-主要术语，掌握监督学习的底层逻辑
一、核心概念全景图
▲ 监督学习四大基石：标签→特征→样本→模型
二、基础概念详解
1. 监督学习本质
✅ 定义
通过标记数据集 训练算法，使模型能对未知数据做出准确预测的机器学习范式
✅ 典型场景
- 垃圾邮件识别（分类任务）
- 房价预测（回归任务）
2. 标签（Label）
python
# 标签的两种形态示例
分类标签 = ["垃圾邮件", "正常邮件"] # 离散型
回归标签 = [320, 450, 280] # 连续型✅ 关键特性
- 预测目标的真实值（y）
- 必须由人工标注或明确测量获得
-
特征（Feature）
房价预测特征示例
特征矩阵 = {
"房龄": [5, 10, 3],
"房间数": [3, 5, 2],
"卧室数": [2, 3, 1]
}
✅ 黄金法则
-
特征应满足MECE原则（相互独立，完全穷尽）
-
数值型特征需要标准化（如Z-score标准化）
- 样本（Sample）
| 房龄 | 房间数 | 卧室数 | 房价（万元） | 样本类型 |
|---|---|---|---|---|
| 5 | 3 | 2 | 320 | 有标签样本 |
| 10 | 5 | 3 | ？ | 无标签样本 |
▲ 有标签样本 =特征+标签
▲ 无标签样本=仅有特征
- 模型（Model）
✅ 两大核心阶段
- 训练阶段：建立特征与标签的映射关系
- 推理阶段：预测无标签样本的标签值
三、分类 vs 回归
| 分类模型 | 回归模型 | |
|---|---|---|
| 输出类型 | 离散值（猫/狗） | 连续值（房价） |
| 评价指标 | 准确率、F1-score | MSE、R² |
| 典型算法 | 逻辑回归、决策树 | 线性回归、随机森林 |
| 应用场景 | 图像识别、情感分析 | 销量预测、风险评估 |
▲ 颜色说明：红色表示离散输出，绿色表示连续输出
四、模型训练流程
▲ 完整训练流程需经历
数据准备
→ 特征处理
→ 模型迭代 → 应用部署
五、系统架构基础
✅ 四大核心组件
知识库：存储已学习的规律（如决策树规则）
学习模块：通过梯度下降等算法更新知识库
执行模块：将新知识应用于预测任务
反馈机制：根据预测结果优化知识库
六、特征工程基础
✅ 预处理三要素
- 缺失值处理：删除/均值填充/KNN填充
- 异常值处理：3σ原则/箱线图检测
- 数据转换：标准化/归一化/离散化