このページは Cloud Translation API によって翻訳されました。

フレーム処理: 主要な ML 用語

（教師あり）機械学習とは簡潔に説明すると、次のようになります。

機械学習に関する基本的な用語を見ていきましょう。

ラベル

ラベルは、私たちが予測しているもので、単純な線形回帰における y 変数です。ラベルには、将来の小麦の価格、写真に表示される動物の種類、音声クリップの意味など、さまざまなものがあります。

特徴は、入力変数（単純な線形回帰の x 変数）です。単純な機械学習プロジェクトでは 1 つの特徴を使用できますが、より高度な機械学習プロジェクトでは、次のような数百万の特徴を使用できます。

\[\\{x_1, x_2, ... x_N\\}\]

スパム検出の例では、特徴には次のものが含まれます。

例は、データの特定のインスタンス、つまり x です。（太字の x は、それがベクトルであることを示します。）例は次の 2 つのカテゴリに分類されます。

ラベル付きサンプルには、特徴とラベルの両方が含まれます。これは次のことを意味します。

  labeled examples: {features, label}: (x, y)

ラベル付けされた例を使用して、モデルをトレーニングします。スパム検出の例では、ラベル付けされた例は、ユーザーが「スパム」または「スパムではない」と明示的にマークした個々のメールです。

たとえば、次の表は、カリフォルニア州の住宅価格に関する情報を含むデータセットからラベル付けされた 5 つの例を示しています。

手持ちメディア年齢（機能）	totalRooms （機能）	totalBedrooms （機能）	medianHouseValue （ラベル）
15	5612	1283	66900
19	7650	1901	80100
17	720	174	85700
14	1501	337	73400
20	1454	326	65500

ラベルのないサンプルには特徴が含まれますが、ラベルは含まれません。これは次のことを意味します。

  unlabeled examples: {features, ?}: (x, ?)

同じ住宅用データセットからラベルのない 3 つの例を次に示します。medianHouseValue は除きます。

ラベル付けされた例を使用してモデルをトレーニングしたら、そのモデルを使用して、ラベルのないサンプルでラベルを予測します。迷惑メール検出ツールにおけるラベル未設定の例は、人間がまだラベルを付けていない新しいメールです。

モデルでは、特徴とラベルの関係を定義します。たとえば、スパム検出モデルでは、特定の特徴を「スパム」と強く関連付けることがあります。モデルのライフサイクルの 2 つのフェーズを取り上げます。

トレーニングとは、モデルを作成または学習することを意味します。つまり、サンプルにラベルが付けられたモデルを表示し、モデルが特徴とラベルの関係を徐々に学習できるようにします。
推論とは、ラベルなしの例にトレーニング済みモデルを適用することを意味します。つまり、トレーニング済みのモデルを使用して有用な予測を行います（y'）。たとえば、推論中に、新しいラベルのないサンプルについて medianHouseValue を予測できます。

回帰モデルは連続値を予測します。たとえば、回帰モデルは次のような疑問に答える予測をします。

分類モデルは、個別の値を予測します。たとえば、分類モデルは、次のような質問に答える予測を行います。