机器学习算法合集基础术语解读.docxVIP

机器学习算法合集基础术语解读

一、机器学习基础概念辨析

机器学习（MachineLearning）是人工智能的核心分支，其本质是让计算机从数据中自动学习规律，并利用该规律对新样本进行预测或决策，而无需显式编程。理解算法前，必须厘清若干高频基础术语，它们构成整个知识体系的“地基”。

模型（Model）：指从训练数据中学习得到的数学表达或规则集合，是算法运行后输出的“成果”。例如，线性回归输出一个形如$y=wx+b$的方程；决策树输出一棵由判断节点和叶节点组成的树结构。模型是解决问题的“大脑”，其优劣直接决定预测效果。

训练（Training）与推理（Inference）：训练是用标注好的历史数据（含输入与对应真实标签）驱动算法调整内部参数的过程；推理则是将训练好的模型应用于全新、未见过的输入数据，输出预测结果。二者不可混淆——训练耗时长、需算力；推理要求快、稳、轻量。

特征（Feature）与标签（Label）：特征是描述样本的可观测属性，即模型的输入变量（如房价预测中的“面积”“房龄”“楼层”）；标签是待预测的目标变量（如“房价”本身）。高质量特征工程常比更换算法带来更显著的性能提升。

过拟合（Overfitting）与欠拟合（Underfitting）：过拟合指模型在训练集上表现极好（准确率近100%），但在测试集上严重下滑，说明它记住了噪声而非规律；欠拟合则表现为训练集与测试集