机器学习基本概念:数据集 特征 样本 标签
·
数据集（Dataset）
用来训练模型的「全部数据合集」。
里面包含了所有样本、特征、标签。
例子：你收集了 1000条 房屋的信息(面积、房间数、楼层) ，这 1000 条数据合起来就是数据集。
| 序号 | 面积 (㎡) | 房间数 | 楼层 | 房价 (万) |
|---|---|---|---|---|
| 1 | 80 | 2 | 5 | 160 |
| 2 | 100 | 3 | 10 | 220 |
| … | … | … | … | … |
| 1000 | 80 | 2 | 4 | 130 |
特征（Feature）
用来描述样本的「属性 / 信息」
例子：房屋的 面积、房间数、楼层、……这些用来描述一个 房屋 的 某列 信息，都叫特征。
样本（Sample）
数据集中的 一条独立数据 。
一行 = 一个样本
例子：第 1 个房屋信息：面积80平方米 房间数 2 楼层5 房价160万
标签（Label）
模型预测的「结果 / 答案」。
模型要学习去预测的目标
例子：判断房价：多少钱 → 标签
一句话总结
- 数据集：模型训练的所有数据
- 样本：输入模型的数据
- 特征：用来区分不同样本
- 标签：模型要预测的结果
更多推荐
0
0- 0
已为社区贡献1条内容
所有评论(0)