03数据特征、样本，以及标签（目标值）
数据简介
- 一行数据我们称为一个样本
- 一列数据我们称为一个特征
- 有些数据有目标值（标签值），有些数据没有目标值（如上表中，电影类型就是这个数据集的标签（目标值））
- 数据类型一：特征值+目标值（目标值是连续的和离散的）
- 数据类型二：只有特征值，没有目标值
- 机器学习一般的数据集会划分为两个部分：
- 训练数据（训练集）：用于训练，构建模型
- 测试数据（测试集）：在模型检验时使用，用于评估模型是否有效
- 划分比例：
- 训练集：70% 80% 75%
- 测试集：30% 20% 25%
详述
在机器学习和数据科学中，数据特征、样本和标签是构建模型的核心概念，理解它们的关系是学习的基础。以下是详细解释：
1. 特征（Features）
-
定义：
特征是描述数据的属性或变量，用于表征数据的某种特性。它们是模型学习的输入（X）。 -
示例：
-
房价预测中，特征可能是：
房屋面积、房间数量、地理位置、建造年份等。 -
图像分类中，特征可以是每个像素的数值（如RGB值）。
-
-
特点：
-
可以是数值型（如温度、价格）、类别型（如性别、颜色）或文本型。
-
特征工程（如归一化、编码、特征选择）直接影响模型性能。
-
2. 样本（Sample/Instance）
-
定义：
样本是数据集中的一个独立个体或观察对象，由一组特征值组成。每个样本对应模型的一条输入数据。 -
示例：
-
房价预测中，一个样本可能表示为：
[120平方米, 3室, 北京市海淀区, 2010年]。 -
图像分类中，一张图片的所有像素值构成一个样本。
-
-
特点：
-
在数据集中，样本通常以行的形式存储（表格数据中每一行是一个样本）。
-
样本数量决定数据集的大小（如10,000个样本）。
-
3. 标签（Label/Target）
-
定义：
标签是监督学习中样本的“正确答案”，是模型需要预测的目标变量（Y）。样本可以带标签，也可以不带标签。带标签的样本用于模型的训练，不带标签的样本用于模型的预测。在无监督学习中，标签不存在。 -
示例：
-
房价预测中，标签是房屋的实际售价（如
650万元）。 -
图像分类中，标签是图片的类别（如
猫、狗）。
-
-
特点：
-
标签可以是连续值（回归任务，如价格）或离散类别（分类任务，如类别）。
-
标签的质量直接影响模型的监督学习效果。
-
三者的关系
结构示意图
| 样本（行） | 特征1（面积） | 特征2（房间数） | 特征3（位置） | 标签（房价） |
|---|---|---|---|---|
| 样本1 | 120㎡ | 3室 | 海淀区 | 650万元 |
| 样本2 | 80㎡ | 2室 | 朝阳区 | 480万元 |
-
监督学习：模型通过特征（X）预测标签（Y）。
-
无监督学习：只有特征（X），没有标签（Y），模型需自行发现规律（如聚类）。
不同场景中的具体示例
1. 房价预测（结构化数据）
-
特征：面积、房间数、地理位置、房龄
-
样本：每个房子的数据（如一行数据）
-
标签：房价（监督学习中的目标值）
2. 图像分类（非结构化数据）
-
特征：图像像素的数值（如28x28像素的784个数值）
-
样本：单张图片的所有像素值
-
标签：图片类别（如“猫”或“狗”）
3. 无监督学习（如客户分群）
-
特征：用户的年龄、消费金额、活跃频率
-
样本：每个用户的数据
-
标签：无（模型需自动将用户分组）
常见误区
-
特征 vs 标签：
-
特征是输入，标签是输出（仅在监督学习中存在）。
-
例如：预测学生成绩时，
学习时长是特征，考试成绩是标签。
-
-
样本 vs 特征：
-
样本是完整的个体数据，特征是描述样本的维度。
-
例如：一个患者（样本）的
年龄、血压、病史是特征。
-
-
无监督学习没有标签：
-
如聚类任务中，模型仅通过特征发现数据内在结构。
-
总结
-
特征：数据的属性，模型学习的输入。
-
样本：单个数据点，由多个特征组成。
-
标签：监督学习中的目标值，模型需要预测的结果。
-
关键关系：特征和标签共同构成监督学习的数据集，样本是数据的基本单位。
浙公网安备 33010602011771号