机器学习基本术语
数据集（data set）：记录的集合
示例（instance）或样本（sample）：每条记录是关于一个时间或对象的描述
属性（attribute）或特征（feature）：反映事件或对象在某方面的表现或性质的事项
属性值（attribute value）：属性上的取值
属性空间（attribute space）或样本空间（sample space）或输入空间：属性张成的空间
特征向量（feature vector）
维数（dimensionality）
训练（training）
训练样本（training sample）
训练集（training set）
假设（hypothesis）
真实（ground-truth）
学习器（learn）
预测（prediction）
标记（label）
标记空间（label space）
分类（classification）
多分类（multi-class classification）
正类（positive class）
反类（negative class）
测试（testing）
测试样本（testing sample）
分布（distribution）
独立同分布（independent and identically distributed）
监督学习（supervised learning）
无监督学习（unsupervised learning）
聚类（clustering）
簇（cluster）
回归（regression）
泛化（generalization）
归纳（induction）
演绎（deduction）
假设空间
由形如属性值的不同的可能取值所组成的假设组成
可以由许多不同的策略对假设空间进行搜索，自顶向下或者自顶向上，前者从一般到特殊，即特化，后者从特殊到一般，即泛化，搜索过程中可以删除与正例不一样的假设、和（或）、反例一致的假设，最终将会获得与训练集一致（即可以对所有训练样本进行正确判断）的假设，即为我们学习的结果
归纳偏好
机器学习算法在学习过程中对某种类型假设的偏好，称为“归纳偏好”，或简称为“偏好”
