曾梦想执剑走天涯，我是程序猿【AK】

简述概要

提示：简要描述文章内容，适合哪些人观看

知识图谱

1. 样本（Sample）/实例（Instance）：在机器学习中，我们获得的数据集中的一条数据被称为一个样本或实例。样本是一个统计学概念，通常对应一个个体或者对某个对象的一次观测。
2. 特征（Feature）/属性（Attribute）：这些是记录样本的某种性质或者在某方面的表现的指标或变量。特征是用来描述样本的重要信息，是机器学习模型进行预测和分类的基础。
3. 特征向量（Feature Vector）：一个样本的全部特征构成的向量被称为特征向量。特征向量是机器学习模型处理的基本单位。
4. 特征空间（Feature Space）/ 属性空间（Attribute Space）/ 样本空间（Sample
   Space）：由所有特征/属性张成的空间，也即特征向量所在的空间。每一维对应一个特征。
5. 学习（Learning）/训练（Training）：这是模型凭借数据提供的信息改进自身性能的过程。在这个过程中，模型会学习如何根据输入的特征预测目标变量。
6. 测试（Testing）：训练结束之后，需要使用测试数据来检验模型的训练效果，即模型在未见过的数据上的表现。
7. 训练数据（Training Data）/ 训练集（Training Set）：用于训练模型的数据集，其中的每一个样本称为一个训练样本。
8. 模型（Model）：在机器学习中，模型是对现实世界事物的一种抽象表示，用于根据输入的特征预测目标变量。
9. 预测（Prediction）：利用训练好的模型，对新的、未见过的数据进行预测，得到其目标变量的值。
10. 监督学习（Supervised Learning）：在这种学习模式下，模型从已知类别的训练数据中学习如何预测目标变量。
11. 无监督学习（Unsupervised Learning）：在这种学习模式下，模型从未知类别的训练数据中学习数据的结构和特征，如聚类、降维等。
12. 半监督学习（Semi-Supervised Learning）：在这种学习模式下，模型同时使用已知类别和未知类别的训练数据进行学习，以在有限的标注数据下提高模型的性能。

这些术语和概念构成了机器学习的基本框架和理论基础，对于理解和应用机器学习技术非常重要。

                                                                                                         ---- 永不磨灭的番号：我是AK