一、机器学习概念
训练集(training set/data)/训练样例(training examples)：用来进行训练，也就是产生模型或者算法的数据集。
测试集(testing set/data)/测试样例(testing examples)：用来专门进行测试已经学习好的模型或者算法的数据集。
特征向量(features vector)：属性的集合，通常用一个向量来表示，附属于一个实例。
注意：这里的特征向量不是指线性代数中的特征向量。
标记(label)： 实例类别的标记。用于监督学习。
正例(positive example)：例如标记中的“正确”。
反例(negative example)：例如标记中的“错误”。
二、分类与回归
分类(classification)：目标标记为类别型（不连续）数据(category)，例如去、不去，是、否等。
回归(regression)：目标标记为连续性数值(continuous numeric value)，例如房价、分数等。
三、有监督和无监督
我们在训练模型时，按照训练集中是否包含类别标记，可以分为以下几种：
有监督学习(supervised learning)：训练集有类别标记(class label)。
无监督学习(unsupervised learning)：训练集无类别标记。
半监督学习(semi-supervised learning)：有类别标记的训练集 + 无标记的训练集。
四、机器学习步骤
1.把数据拆分为训练集和测试集
2.用训练集来训练算法（模型 model）
3.用学习来的算法（模型）运用在测试集上进行评估，调整参数(parameter tuning)等。