北大公开课-人工智能基础 54 研读机器学习的视角之机器学习的应用和术语

在机器学习中，样本特征是指用来描述样本的各种属性，比如说，对于一张图片，它的特征可以是像素值、颜色、纹理等等。在机器学习中，我们需要将样本的特征提取出来，然后通过对这些特征进行分析和处理，来实现对样本的分类、回归等任务。因此，特征提取是机器学习中非常重要的一环1。

在机器学习中，手工式特征是指人工设计的特征，这些特征通常是基于对数据的先验知识和经验的总结，比如说，对于一张图片，我们可以设计出它的颜色、纹理、形状等特征。手工式特征的优点是可以提高模型的泛化能力，缺点是需要人工设计，费时费力，并且可能会忽略掉一些重要的特征1。

在机器学习中，样本的学习式特征是指从数据中自动学习到的特征，而不是人工设计的特征。这些特征通常是通过一些机器学习算法（例如神经网络）从原始数据中提取出来的。这种方法可以使机器学习算法更好地适应数据，并提高算法的性能。

某种程度上，也可以理解学习式特征，为自动可标注的特征

在机器学习中，损失函数是用来度量模型的预测值与真实值之间的差异程度的函数。损失函数越小，模型的鲁棒性就越好。常见的损失函数有均方误差（MSE）、交叉熵（Cross Entropy）等。123

以均方误差为例，它是回归问题中最常用的损失函数之一。它的计算方法是将预测值与真实值之间的差值平方后求和，然后除以样本数量。这个值越小，说明模型的预测结果越接近真实值。2

在机器学习中，假设集是指所有可能的假设函数的集合。假设函数是指从输入到输出的映射关系，也就是模型的表达式。假设集包含了所有可能的模型表达式，它是一个无限大的集合。在训练过程中，我们需要从假设集中选择一个最优的假设函数，使其能够最好地拟合训练数据，并且能够泛化到新的数据上。1

学习任务、学习范式、学习模型的具体应用