machine-learning - 机器学习中参数、特征和类之间的区别

Question

我是机器学习和自然语言处理方面的新手。

我总是对这三个术语感到困惑？

据我了解:

class:我们的模型输出的各种类别。给出一个人的名字，确定他/她是男性还是女性？

假设我正在使用朴素贝叶斯分类器。

我的功能和参数是什么？

此外，上述单词的一些可互换使用的别名是什么。

谢谢

Answer 1

让我们以对人的性别进行分类为例。你对类(class)的理解是正确的!给定输入观察，我们的朴素贝叶斯分类器应该输出一个类别。类就是该类别。

特征:朴素贝叶斯分类器或任何通用机器学习分类算法中的特征是我们选择用来定义输入的数据点。以一个人为例，我们不可能输入一个人的所有数据点；相反，我们选择一些特征来定义一个人(例如“高度”、“体重”和“脚尺寸”)。具体来说，在 Naive Bayes Classifier ，我们做出的关键假设是这些特征是独立的(它们不互相影响):一个人的高度不影响体重，也不影响脚的尺寸。这个假设可能是真的，也可能不是真的，但对于朴素贝叶斯，我们假设它是真的。在您的示例的特定情况下，输入只是名称，特征可能是字母的频率、元音的数量、名称的长度或后缀/前缀。

参数:朴素贝叶斯中的参数是我们尝试分类的真实分布的估计。例如，我们可以说大约 50% 的人是男性，男性高度的分布是高斯分布，平均值为 5'7"，标准差为 3"。参数将是 50% 估计值、5' 7"平均估计值和 3"标准差估计值。

别名:功能也称为属性。我不知道“参数”有任何常见的替代品。

希望对您有帮助!