机器学习术语词典

机器学习的核心思想是：不把所有规则写死，而是让模型从数据中学习规律。下面这些术语是理解训练、预测和评估的基础。

基础对象

样本 Sample：一条训练或测试数据。例如一封邮件、一张图片、一次用户点击记录。

特征 Feature：用于描述样本的输入信息。房价预测中，面积、位置、楼层都可以是特征。

标签 Label：监督学习中的正确答案。例如垃圾邮件分类里，标签是“垃圾”或“正常”。

模型 Model：从数据中学到的函数或规则，用来对新样本做预测。

学习方式

监督学习：训练数据带标签，模型学习输入到答案的映射。常用于分类和回归。

无监督学习：数据没有明确标签，模型寻找结构，例如聚类、降维。

强化学习：智能体通过行动获得奖励或惩罚，学习策略。常用于游戏、机器人和对齐训练中的部分环节。

训练相关

训练集用于模型学习，验证集用于调参，测试集用于最终评估。三者混用会导致评估结果虚高。

过拟合 Overfitting：模型把训练数据记得太死，训练表现好，新数据表现差。

欠拟合 Underfitting：模型太简单或训练不足，连训练数据规律也没学好。

损失函数 Loss：衡量预测和真实答案差多少，训练目标通常是让损失变小。

评估术语

准确率 Accuracy：预测正确的比例。类别不平衡时可能误导。

精确率 Precision：预测为正的样本中，有多少真的为正。

召回率 Recall：真实为正的样本中，有多少被找出来。

F1：精确率和召回率的综合指标。

易混淆点

参数和超参数不同：参数由训练学到，超参数由人设定，例如学习率、树深度。验证集和测试集也不同：验证集可以参与选择模型，测试集应尽量只在最后使用。

实战建议

做机器学习项目时，先定义问题和标签，再检查数据质量，最后才选算法。很多失败项目不是模型不够高级，而是标签混乱、特征泄露或评估方式错误。