刚接触机器学习框架 TensorFlow 的新手们，这篇由 Google 官方出品的常用术语词汇表，一定是你必不可少的入门资料！本术语表列出了基本的机器学习术语和 TensorFlow 专用术语的定义，希望能帮助您快速熟悉 TensorFlow 入门内容，轻松打开机器学习世界的大门。

（完整版PDF文末领取）

算法与模型相关

• 强化学习

• 智能体（agent）在环境中进行一系列动作，通过获得奖励来学习最优的行为策略，以最大化长期累积奖励。常用于机器人控制、游戏等领域。

• 分类算法

• 监督学习中的一类算法，用于将数据分为不同的类别。常见的分类算法有决策树、支持向量机、朴素贝叶斯等。

• 回归算法

• 同样是监督学习算法，用于预测连续的数值，如预测股票价格、房价等。线性回归是最基本的回归算法之一。

• 聚类算法

• 无监督学习算法，将数据对象分成不同的簇，使得同一簇内的数据对象具有较高的相似性，而不同簇之间的相似性较低。例如 K-Means 聚类算法。

• 决策树

• 一种基于树结构的算法，通过对数据的特征进行条件判断，构建决策树来进行分类或回归预测。每个内部节点是一个属性上的测试，分支是测试输出，叶节点是类别或值。

• 随机森林

• 基于决策树的集成学习算法，从原始训练数据集有放回地抽样构建多个子数据集，分别训练决策树，然后综合决策树的预测结果进行最终预测，能够提高模型的稳定性和准确性。

• 支持向量机（SVM）

• 一种二分类模型，通过寻找一个超平面来将不同类别的数据分隔开，使得数据点到超平面的距离最大化，从而实现对数据的分类。

• 神经网络

• 模仿生物大脑神经元之间的信息传递方式构建的模型，由多个神经元组成，通过调整神经元之间的连接权重来学习数据的特征和规律，是深度学习的基础。

数据相关

• 数据集

• 用于训练和测试机器学习模型的数据集合，包含多个数据样本，每个样本通常由输入特征和输出标签（在监督学习中）组成。

• 特征

• 也称为特征向量，是描述数据对象的属性或变量，是机器学习模型的输入。例如在图像识别中，图像的像素值、颜色特征等就是特征。

• 特征工程

• 对原始数据进行处理和转换，提取和构建有意义的特征，以提高模型的性能和准确性。包括数据清洗、特征选择、特征提取、特征构建等步骤。

• 数据清洗

• 处理数据集中的缺失值、异常值、重复值等问题，保证数据的质量和一致性，以便模型能够正确地学习数据中的规律。

• 过拟合

• 模型在训练数据上表现很好，但在新的未见过的数据上表现很差的现象。通常是因为模型过于复杂，学习到了训练数据中的噪声和特定模式，而无法泛化到新数据上。

• 欠拟合

• 模型在训练数据和测试数据上的表现都很差，说明模型没有很好地学习到数据中的规律和特征，通常是因为模型过于简单或训练不足。

评估指标相关

• 准确率（Accuracy）

• 分类模型中最常用的评估指标之一，计算正确分类的样本数占总样本数的比例，反映了模型对整体数据的分类准确程度。

• 精确率（Precision）

• 针对二分类问题，精确率是指预测为正类的样本中真正为正类的比例，侧重于关注预测为正类的准确性。

• 召回率（Recall）

• 也是二分类问题中的指标，召回率是指真正为正类的样本中被预测为正类的比例，强调了对正类样本的覆盖程度。

• F1 值

• 是精确率和召回率的调和平均数，综合考虑了模型的精确性和召回能力，F1 值越高，说明模型在精确率和召回率之间取得了较好的平衡。

• 均方误差（MSE）

• 回归模型中常用的评估指标，计算预测值与真实值之间差值的平方的平均值，反映了预测值与真实值之间的差异程度。

• R² 得分

• 衡量回归模型拟合优度的指标，表示模型能够解释因变量方差的比例，取值范围在 0 到 1 之间，R² 值越接近 1，说明模型对数据的拟合效果越好。

模型训练与优化相关

• 梯度下降

• 一种常用的优化算法，用于求解模型参数的最优值。通过计算目标函数关于参数的梯度，沿着梯度的反方向更新参数，使得目标函数值逐渐减小，直到达到最小值或收敛。

• 学习率

• 在梯度下降算法中，学习率是一个重要的超参数，决定了每次参数更新的步长。学习率过大可能导致模型无法收敛，学习率过小则会使训练过程过于缓慢。

• 超参数

• 与模型参数不同，超参数是在模型训练之前需要手动设置的参数，如神经网络的层数、每层的神经元个数、学习率等，它们会影响模型的性能和训练过程。

• 交叉验证

• 一种用于评估模型性能和选择模型超参数的方法。将数据集分成多个子集，一部分作为训练集，一部分作为验证集，通过多次不同的划分和训练，综合评估模型的性能，以减少过拟合的风险。

• 正则化

• 一种防止过拟合的技术，通过在目标函数中添加正则项，对模型的参数进行约束，使得模型的复杂度降低，从而提高模型的泛化能力。常见的正则化方法有 L1 正则化和 L2 正则化。

其他：

以上是机器学习中一部分常用的术语，了解这些术语对于深入学习和应用机器学习技术非常重要。需要完整版PDF的可通过一下方式领取：

如何获取资料：

1、一键三连+关注

2、后台回复“机器学习”即可