特征向量：以样本属性作为每个向量的各个轴，有几个属性就有几维。（如描述学生：特征向量为身高体重二位的。）

属性：其中身高体重就是两个属性。

模型一般分为：分类，回归，聚类（不知道有几类，机器自己分）

一般流程就是拿到数据模型，通过某种学习算法处理得到一个模型，输入新的数据进行预测。（预测中的泛化能力：机器学习算法对新鲜样本的适应能力。就是说对没见过的数据预测的能力）

假设空间：就是从输入到输出的所有映射的集合。比如说，身高：高矮，体重：胖瘦。定义为身材较好就是高胖，高瘦。不好就是碍手矮胖。输出一共两个值（即两个定义身材好或不好），输入一共是四种组合（高胖高瘦矮胖矮瘦），每种组合都有两个值供选择（即输出值的个数，身材好和身材不好），则一共是2的4次方钟假设，（例如我其中一个假设是高胖高瘦就是身材好，矮胖就是身材不好）这么多假设就构成了一个假设空间。（给每个组合确定一个输出，每个输出两种，总共需要断定四个输入组合）

当同一个数据集训练出了不同的模型，要使用简单的那个。即奥卡姆剃刀。

k折交叉验证：举个例子十折交叉验证，就是训练集和测试集总共被分成十份，其中第一份做测试集，第二到第十是训练集，做第一次训练和测试；然后第二份做测试，第一份和所剩下的做训练，做第二次训练，依次类推做十次。数据集小的时候比较有用。

测试集还有一种自助法：就是对样本开始抽，又放回，抽出的作为训练集，没抽出的作为测试集，样本量趋于无穷的时候没抽出的大概占1/e（0.368）

验证集： 训练集-----------学生的课本；学生 根据课本里的内容来掌握知识。

验证集------------作业，通过作业可以知道 不同学生学习情况、进步的速度快慢。

测试集-----------考试，考的题是平常都没有见过，考察学生举一反三的能力。

标签：输出,机器,训练,假设,高瘦,学习,身材,测试
来源： https://www.cnblogs.com/headdag/p/15759251.html