功能和标签的区别是什么？

我正在学习关于机器学习基础的 教程，有人提到有些东西可以是 特写或者 标签。

据我所知，特性是正在使用的数据的属性。我不知道这个标签是什么，我知道这个词的意思，但是我想知道它在机器学习的背景下是什么意思。

104738 次浏览
小开
最佳答案

简而言之，特征是输入，标签是输出，这同时适用于分类和回归问题。

特性是输入集中数据的一列。例如，如果你试图预测某人会选择什么类型的宠物，你的输入特征可能包括年龄、家庭地区、家庭收入等等。标签是最终的选择，如狗，鱼，鬣蜥蜴，岩石等。

一旦您训练了您的模型，您将给它一组包含这些特性的新输入; 它将返回该人的预测“标签”(宠物类型)。

小开

让我们举一个例子，我们希望检测使用手写照片的字母表。我们在程序中输入这些样本图像，程序根据获得的特征对这些图像进行分类。

An example of a feature in this context is: the letter 'C' can be thought of like a concave facing right.

现在的问题是如何存储这些特性。我们得给他们起个名字。这就是标签的作用。将这些特征从其他特征中分离出来，给予 标签。

因此，当提供 特征作为输入时，我们得到 标签作为输出。

标签是与非监督式学习相关的 没有。

小开

A feature briefly explained would be the input you have fed to the system and the label would be the output you are expecting. For example, you have fed many features of a dog like his height, fur color, etc, so after computing, it will return the breed of the dog you want to know.

小开

Feature:

在机器学习中，特性是指训练数据的属性。或者可以在训练数据集中说出列名。

假设这是您的训练数据集

Height   Sex   Age
61.5     M     20
55.5     F     30
64.5     M     41
55.5     F     51
.     .     .
.     .     .
.     .     .
.     .     .

这里的特征是 Height、 Sex和 Age。

标签:

训练后从模型得到的输出称为标签。

假设您将上述数据集提供给某个算法，并生成一个模型来预测性别为男性或女性，在上述模型中，您将传递诸如 age、 height等特征。

在计算之后，它会返回男性或女性的性别，这就是 标签

小开

这里有一个更直观的方法来解释这个概念。假设你想对照片中显示的动物进行分类。

可能的动物类别是猫或鸟。 在这种情况下，标签可能是你的机器学习算法可以预测的类关联，例如猫或鸟。

features是图案，颜色，形式，是你的图像的一部分，如毛皮，羽毛，或更低层次的解释，像素值。

Bird 标签: Bird
特点: 羽毛

Cat

标签: Cat
特点: 毛皮

小开

先决条件: 基本统计学和接触机器学习(线性回归)

可以用一句话来回答

他们是相似的，但他们的定义根据需要而改变。

解释

让我解释一下我的陈述。假设您有一个数据集，为此考虑 exercise.csv。数据集中的每一列都被称为特性。性别、年龄、身高、心率、体温和卡路里可能是各个列中的一个。每列代表不同的特征或属性。

练习 CSV

User_ID  Gender Age  Height  Weight Duration    Heart_Rate  Body_Temp   Calories
14733363 male   68  190.0   94.0    29.0           105.0    40.8        231.0
14861698 female 20  166.0   60.0    14.0            94.0    40.3        66.0
11179863 male   69  179.0   79.0    5.0             88.0    38.7        26.0

为了巩固理解和解决困惑，让我们拿出两个不同的问题(预测案例)。

案例1: 在这种情况下，我们可以考虑使用性别，身高和体重来预测运动中燃烧的卡路里。这里的预测值(Y)是 标签。卡路里是您希望使用诸如 -X1: 性别 x2: 身高 x3: 体重之类的各种特性来预测的列。

CASE2: 在第二种情况下，我们可能希望通过使用性别和体重作为一个特征来预测心率。这里的 心率是使用 特点-x1: 性别和 x2: 体重预测的 标签。

Once you have understood the above explanation you won't really be confused with Label and Features anymore.

小开

假设你想要预测气候，那么给你的特征将是历史气候数据、当前天气、温度、风速等，而标签将是几个月。 上面的组合可以帮助您推导出预测。


提交答案