###### tags: `MLCC` # Framing 基本架構 ## 監督式學習 - 藉由輸入**現有的資料**來預測**未知問題**的答案 ## 訓練model架構 - 需要有一個lable標籤去訓練model **->** 讓 model 知道某些 feature **->** 訓練好後得到一個 model **->** model 可以預測或判斷資料 ## 輸入&輸出 ## 重要術語 ### Label - 標籤 (答案) - 要預測的目標 - 為簡單線性回歸中的y變量 ### Feature - 特徵 - 資料的特點 - 輸入資料的變量 - 為簡單線性回歸中的x變量 - 單一特徵: x - 多feature: x1, x2, x3, ... , xn ### Example - 資料集 - 將 Example 分成以下 2 類 #### Labeled Example - label & feature都有 - {features, label}: (x, y) - 用來訓練 model #### Unlabeled Example - 有 feature 沒label - {features, ?}: (x, ?) - 將訓練好的 model 為基礎，去預測或是判斷該 feature 的label ### Model - 描述 feature 和 label 之間的關係 - model 的生命階段 - Training 訓練期 - 建立 & 學習 - 練習將feature做標記，告訴模型feature和label的關係，使模型能逐步學習 - Inference 推論期 - 訓練好的model - 可以預測沒有看過的問題的答案 ## 預測的種類 ### Regression 回歸 - 用來解決**連續型**的問題 - 預測的答案為一個機率值或數值 - ex: 他回答"隨便"的機率是多少? ### Classification 分類 - 用來解決**離散型**的問題 - 預測的答案為一個類別 - ex: 他是狗、貓還是人?