《机器学习》，https://book.douban.com/subject/26708119/

glossary

属性(attribute)，也称为 特征(feature)，反映事件或对象在某方面的表现或性质的事项。例如”色泽”，”根蒂”，”敲声”

属性值(attribute value)，属性上的取值。

示例(instance)，也称为 样本(sample)，由一组属性和属性值组成的关于一个事件或对象的描述。例如”(色泽=青绿，根蒂=蜷缩，敲声=浊响)”

数据集(data set): 一组示例的集合。

属性空间(attribute space)，也称为 样本空间(sample space)，有一组属性表示的多度空间。

特征向量(feature vector)，由于每个示例都可以在属性空间中找到对应的点，因此示例也可成为特征向量。

学习(learning)，也称为 训练(training)，指从数据中学得模型的过程，这个过程通过执行某个学习算法来完成。

训练数据(training data)，训练过程中所使用的数据。

训练样本(training sample)，训练数据中的一个样本。

训练集(training set)，训练样本的集合。

预测(prediiction)，在有了示例数据之后，对新数据的结果、状态进行评估。

分类(classfication)，指结果为离散值的预测，例如”好瓜”、”坏瓜”。

回归(regression)，指结果为连续值的预测，例如西瓜的成熟度，0.95，0.37。

样例(example)，指带有标记信息的示例，例如”((色泽=青绿; 根蒂=蜷缩; 敲声=浊响), 好瓜)”，前面的”色泽”、”根蒂”和”敲声”属性及其属性值是训练数据，”好瓜”的一个”结果”，他们共同组成了一个样例。

测试(testing)，指学得模型之后，使用该模型进行预测的过程。

测试样本(testing sample)，指被预测的样本。

监督学习(supervised learning)，也称为 有导师学习，指训练数据中包含有标记信息。

无监督学习(unsupervised learning)，也称为 无导师学习，指训练数据中不包含标记信息。

泛化(generalization)，指学得的模型适用于新样本的能力。

特化(specialization)，指从基础原理推演出具体状况。